tenserflow实例之最近邻算法

最新推荐文章于 2025-05-15 20:46:12 发布

原创

最新推荐文章于 2025-05-15 20:46:12 发布 · 949 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #KNN #实例

本文介绍了K最近邻(KNN)算法的基本概念和工作流程，并使用TensorFlow在MNIST数据集上进行了实践。通过计算测试数据与训练数据的L1范数距离，找到最近邻并计算准确率，结果显示了KNN算法在手写数字识别中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、概念&意义

邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。二、算法流程

1.准备数据，对数据进行预处理