k近邻法(KNN)学习总结

k近邻法(KNN)是一种基于分类与回归的方法,通过多数表决来预测实例点的类别。其优点包括高精度和不受异常值影响,但缺点是计算复杂度高。k近邻法的关键要素是距离度量(如欧氏距离)、k值选择和分类决策规则。kd树作为数据结构可以加速搜索过程。Python可以用于实现Lp距离计算和KNN算法。
摘要由CSDN通过智能技术生成

                                                                                   k近邻法(KNN)学习总结

  1. 什么是k近邻法?

一种基于分类与回归方法.  定义:对给定的训练实例点和输入实例点,首先确定输入实例点的k个最近邻训练实例点,然后利用这k个训练实例点的类的多数(多数表决)来预测输入实例点的类。

  1. K-NN算法的适用场景:具有明确的离散标签的数据分类或者有连续标签的数据回归。
  2. KNN算法特点:

优点: 计算精度高,不受异常值影响。

缺点: 计算复杂度高,空间复杂度高

适用于: 带lable的数值类

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值