本文介绍了KNN（K最近邻）算法的基本概念及其在数据挖掘分类中的应用。通过Java代码详细展示了KNN算法的实现步骤，包括计算所有样本间的距离、对距离排序、选择最近的K个邻居并进行投票以确定分类。
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。
算法实现步骤：
* 1. 首先计算出所有的临近距离值
* 2
* 2
最低0.47元/天 解锁文章
扫一扫
1049
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
