【机器学习】k-近邻算法简介与应用

k-近邻算法（kNN）

简单地说，k-近邻算法采用测量不同特征值之间的距离方法进行分类。

k-近邻算法（kNN），它的工作原理是：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存在标签。输入没有标签的新数据后，将信数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特种最相似数据（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-近邻算法重k的出处（通常k<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。

0~9手写符号识别

k-近邻算法可以完成很多分类任务，但是它最大的缺点就是无法给出数据的内在含义，决策树的主要优势在于数据形式非常容易理解。