本文深入探讨了k-近邻(kNN)算法，详细介绍了其在手写数字识别中的应用。通过解释算法原理，指出kNN算法的优缺点，以及它适用于数值型或标称型数据的特点。文章还展示了如何将32*32像素的黑白图片转换为1*1024的测试向量，并提到在实际测试中，采用默认的k值3时，错误率仅为0.013742。
kNN算法算是机器学习入门级绝佳的素材。书上是这样诠释的：“存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都有标签，即我们知道样本集中每一条数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征比较，算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前K个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类”。
优点：精度高、对异常值不敏感、无数据输入假定。
缺点：计算复杂度高、空间复杂度高。
适
最低0.47元/天 解锁文章
4635
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
