10、机器学习分类算法：k - NN与朴素贝叶斯详解

机器学习分类算法：k - NN与朴素贝叶斯详解

1. k - NN分类算法

k - NN（k - Nearest Neighbors）分类算法是一种简单且有效的分类方法。它与许多分类算法不同，并不进行学习，只是原封不动地存储训练数据。对于未标记的测试示例，使用距离函数将其与训练集中最相似的记录进行匹配，然后将未标记示例分配为其邻居的标签。

以下是一个使用R语言实现k - NN分类的示例代码：

wbcd_test_pred <- knn(train = wbcd_train, test = wbcd_test,
                      cl = wbcd_train_labels, k = 21)
CrossTable(x = wbcd_test_labels, y = wbcd_test_pred,
           prop.chisq = FALSE)

在这个示例中，我们使用 knn 函数对测试数据进行分类。 train 参数指定训练数据集， test 参数指定测试数据集， cl 参数指定训练数据的标签， k 参数指定邻居的数量。

然而，在某些情况下，我们可能需要调整 k 值以获得更好的分类效果。通过对不同 k 值下的性能进行测试，我们可以找到最优的 k 值。以下是不同 k