9、数据管理与最近邻分类学习

数据管理与最近邻分类学习

1. 数据管理基础

在使用R进行数据管理时，首先要了解用于存储各种类型数据的结构。R的基础数据结构是向量，它可以扩展和组合成更复杂的数据类型，如列表和数据框。数据框对应于既有特征又有示例的数据集概念，R提供了将数据框读写到类似电子表格的表格数据文件的函数。

以二手车价格数据集为例，我们可以通过常见的集中趋势和离散程度统计量来分析数值变量，还可以使用散点图可视化价格和里程数之间的关系。对于名义变量，则可以使用表格进行分析。这种探索性的过程可用于理解任何数据集。

2. 最近邻分类概述

最近邻分类器的特点是将未标记的示例分配给与其相似的已标记示例的类别。这类似于在黑暗餐厅的用餐体验，人们通过与之前吃过的食物进行比较来识别新食物。最近邻分类方法在计算机视觉、推荐系统和基因数据分析等领域有成功的应用。

不过，最近邻分类器也有其适用场景和局限性。当特征与目标类别之间的关系复杂难以理解，但相似类别的项目相对同质时，最近邻分类器较为适用；而当数据存在噪声，各类别之间没有明显区分时，最近邻算法可能难以确定类别边界。

3. k - NN算法

k - 最近邻算法（k - NN）是最近邻分类方法的典型代表。它具有以下优缺点：
| 优点 | 缺点 |
| ---- | ---- |
| 简单有效 | 不生成模型，难以理解特征与类别的关系 |
| 对底层数据分布不做假设 | 需要选择合适的k值 |
| 训练阶段快 | 分类阶段慢 |
| | 名义特征和缺失数据需要额外处理 |

k - NN算法使用示例的k个最近邻的信