K-近邻算法 机器学习实战(阅读笔记)

本文介绍了K近邻算法的优点和缺点,包括其高精度、对异常值不敏感等特点,同时也指出该算法计算复杂度和空间复杂度较高的问题。此外,还详细解释了K近邻算法的工作原理,即通过计算新数据与训练样本集中数据之间的相似度来确定新数据的分类。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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

适用数据范围:数值型,标称型


算法原理:存在一个样本数据集合,也称作训练样本集,并且样本集中的每个数据都存在标签,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本中特征中最相似数据的分类标签,一般来说, 我们只选择样本数据及中前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。


如何计算最相似?如何比较最相似?


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