机器学习系列之(四)-- KNN

本文围绕K最近邻(KNN)算法展开,作者在学习斯坦福视觉课程时接触到该算法。先介绍了最近邻算法,通过计算新样本与训练集样本的欧氏距离分类;接着阐述K最近邻算法,它增加了投票过程,根据K值不同决定待分类样本的类别。

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

前言

本文参考内容来源:https://blog.youkuaiyun.com/x603560617/article/details/83621324
https://blog.youkuaiyun.com/qq_36330643/article/details/77532161
最近在学习斯坦福的视觉课程,第一个主要内容就是通过KNN算法来对图像进行分类,效果当然很不好,但是作为大家接触到的第一个机器学习算法,还是有必要对其进行一次深入的了解。
K最近邻(K-Nearest Neighbor,KNN)算法,是著名的模式识别统计学方法,在机器学习分类算法中占有相当大的地位。它是一个理论上比较成熟的方法。

最近邻(nearest neighbor)

在介绍K-最近邻算法之前,有必要介绍一下最近邻,考虑一下问题:
给出的条件:

  1. 训练数据集:在这里插入图片描述
    在这里插入图片描述
    2.需要进行分类的新样本的特征向量:x

目标:根据训练数据集和所给的新样本的特征向量,预测出新样本的所属类别。

使用最近邻的解决方法:
计算x与这N个训练集中每个样本的特征向量之间的欧氏距离,找到最小的距离,查看这个最小距离所属样本的类别,就把x归为这一类别。
我觉得可以用“近朱者赤近墨者黑”这一成语来概括这一算法。
近邻算法没有显性的学习过程,只是机械的进行比较。

欧氏距离

近邻算法中的一个核心概念就是两个样本之间的距离度量方式,其采用的是欧氏距离。
在这里插入图片描述

K最近邻

相对于最近邻算法,K最近邻算法增加了一个投票过程,这里我觉得与其叫做叫做“投票”,还不如叫“统计排序”过程,下面通过举例子来进行其原理的表述:
下图中有两种类型的样本数据,一类是蓝色的正方形,另一类是红色的三角形,中间那个绿色的圆形是待分类数据:
在这里插入图片描述
当我们设置K=3时,那么离绿色点最近的有2个红色的三角形和1个蓝色的正方形,这三个点进行投票,于是绿色的待分类点就属于红色的三角形。而如果K=5,那么离绿色点最近的有2个红色的三角形和3个蓝色的正方形,这五个点进行投票,于是绿色的待分类点就属于蓝色的正方形。

### 关于头歌平台中KNN算法的机器学习教程与实例 #### 头歌平台概述 头歌(Tougo)是一个专注于计算机科学教育的学习平台,提供丰富的在线课程资源和实践环境。对于机器学习领域的内容,尤其是像KNN这样经典的算法,通常会通过理论讲解、代码实现以及实际应用案例相结合的方式进行教学。 #### KNN算法简介 KNN(K-Nearest Neighbors)是一种基于实例的学习方法,既可用于分类也可用于回归分析。其核心思想是:给定一个测试样本,在训练集中找到与其最近的K个邻居,并依据这K个邻居的信息来进行决策[^2]。 #### KNN算法的主要步骤 1. 数据预处理阶段,包括标准化或归一化操作以消除不同特征间量纲差异的影响。 2. 计算待测样本到所有已知样本的距离,常用欧氏距离或其他形式的距离度量方式。 3. 找出距离最小的前K个样本作为近邻点集合。 4. 对于分类任务采用投票机制决定最终类别;而对于回归任务则取平均值或者加权平均值得出结果。 #### 距离计算公式示例 以下是两种常见距离公式的Python实现: ```python import numpy as np def euclidean_distance(x, y): """欧几里得距离""" return np.sqrt(np.sum((np.array(x) - np.array(y)) ** 2)) def manhattan_distance(x, y): """曼哈顿距离""" return np.sum(abs(np.array(x) - np.array(y))) ``` 上述函数分别实现了欧氏距离和曼哈顿距离的计算过程。 #### 实际应用场景举例 假设我们有一个简单的电影分类场景,其中每部影片由两个属性描述:“拥抱次数”和“打斗次数”。利用已有标注的数据集可以构建模型并预测未知标签的新样例所属类型[^4]。 #### 可能存在的挑战及优化方向 尽管KNN易于理解和实现,但在大规模数据集上的性能可能较差,因为每次都需要遍历整个数据库寻找最接近的邻居。因此可以通过KD树索引结构加速查询效率,或是引入降维技术减少维度灾难带来的影响[^3]。
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