超级会员免费看
本文主要介绍了KNN（K最近邻）算法的核心概念，包括K值的选择、距离度量方式、数据归一化、K值过大影响及算法优缺点。KNN是一种基于实例的学习，通过计算新样本与已有样本的距离来决定分类。K值的选取通常采用交叉验证来确定，而距离度量中，欧式距离应用更为广泛。KNN算法简单易用，但预测阶段效率较低，且对数据预处理要求较高。
B站：啥都会一点的研究生
公众号试读：啥都会一点的研究生
目录
说说KNN是什么？
KNN（K Nearest Neighbors），即K个最近的邻居。KNN的原理是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。通过方差表示“距离”。
说说KNN有哪些要素？
有三要素：
1.k值的选取
2.距离度量的方式。 一般为欧式距离
3.分类决策规则。 分类一般为多数表决，就是哪类多选哪类。回归为选择平均法，即k个样本输出的平均值作为预测输出。
说说KNN的K值怎么选？
通过交叉验证（将样本数据按照一定比例，拆分出训练用的数据和验证用的数据，比如6：4拆分出部分训练数据和验证数据），从选取一个较小的K值开始，不断增加K的值，然后计算验证集合的方差，最终找
订阅专栏 解锁全文
1517
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
