tony365的博客

k值的最优选择 高度依赖于数据：一般来说，一个更大的k 抑制噪声的影响，但使分类边界不那么明显。在数据未均匀采样的情况下，基于半径的邻居分类RadiusNeighborsClassifier可能是更好的选择。如果我们不再是求解到所有样本的距离，而是求解到不同类别样本中心的距离，距离哪个样本中心最近，我们即认为该待预测样本属于哪个类，这就是NearestCentroid算法.基本的最近邻分类使用统一权重：也就是说，分配给查询点的值是根据最近邻的简单多数票计算得出的。通过设置Q 的维度，可以达到降维的目的。