本文介绍了K近邻（KNN）学习方法，这是一种基于邻近度的监督学习算法。内容包括KNN的基本原理，计算过程以及在scikit-learn库中的分类器和回归器实现。KNN通过找到测试样本最接近的K个训练样本来预测其类别，当k=1时称为最近邻法。在scikit-learn中，提供了基于固定半径r和固定邻居数k的两种实现方式。此外，还探讨了在回归任务中，KNN如何通过投票法、平均法或加权法来确定预测结果。
目录
简介
K近邻学习是一种常用的监督学习方法，K为1时，又称最近邻法，即1NN，K近邻的工作机制为：给定测试样本，基于某种距离度量找出训练集中与其最靠近的K个训练样本，然后基于这K个邻居的信息来进行预测
简介：
近邻法（K-nearest neighbor，K-NN）是一种基本分类与回归方法，它的原理是，对给定的训练数据集，对新的输入实例，在训练数据集中找到与该实例最近邻的个实例，依据“少数服从多数”的原则，根据这个实例中占多数的类，就把该实例分为这个类。从上面简介可以看出，
算法实际上是利用训练数据集对特征空间进行划分。在
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
