机器学习---k-近邻算法

最新推荐文章于 2026-01-01 16:34:03 发布
原创 最新推荐文章于 2026-01-01 16:34:03 发布 · 418 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #knn

本文介绍了k-近邻算法的基础原理，包括数据结构的shape属性，用于重复数组元素的tile函数，以及如何根据axis参数进行数组求和操作。

knn近邻算法基础原理版：



1.shape

二维数组时：

 shape[0]，行数

shape[1], 列数

一维数组时：

返回[1,]


2.tile

格式：tile（A,reps） 
* A：array_like 
* 输入的array 
* reps：array_like 
* A沿各个维度重复的次数

举例：A=[1,2] 
1. tile(A,2) 
结果：[1,2,1,2] 
2. tile(A,(2,3)) 
结果：[[1,2,1,2，1,2], [1,2,1,2,1,2]] 

3.sum

axis=0,按列求和

axis = 1，按行求和








机器学习实战（1）：K-近邻算法
foreveyking的博客
04-05 796
1.本文将从k-近邻（kNN）算法的思想开始讲起，使用python一步一步编写代码进行实战训练。除此之外，本文也对sklearn实现k-近邻算法的方法进行了讲解。实战实例：电影类别分类、约会网站配对效果判定、手写数字识别。 算法简介： k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是：存在一...
机器学习——K-近邻算法
fishsmans的博客
09-27 662
机器学习——K-近邻算法 简单地说，k-近邻算法采用测量不同特征值之间的距离方法进行分类 一、K-近邻算法 K近邻（K-Nearest Neighbor, KNN）是一种最经典和最简单的有监督学习方法之一。K-近邻算法是最简单的分类器，没有显式的学习过程或训练过程，是懒惰学习（Lazy Learning）。当对数据的分布只有很少或者没有任何先验知识时，K 近邻算法是一个不错的选择。 ​ K近邻算法既能够用来解决分类问题，也能够用来解决回归问题。该方法有着非常简单的原理：当对测试样本进行分类时，首先通过扫描训
K最近邻算法(kNN)
黎荣恒的博客
05-05 1799
“近朱者赤，近墨者黑”，这句话大家都听说过，意思是靠着朱砂的变红，靠着墨的变黑。比喻接近好人可以使人变好，接近坏人可以使人变坏，指客观环境对人有很大影响。在现实的生活中我们都知道，想要了解一个人，一个比较靠谱的办法就是从他身边的朋友就看出来。 本文介绍的K最近邻(k-Nearest Neighbor，KNN)算法，其指导思想就是“近朱者赤，近墨者黑”，由你身边的朋友推断你的类别。kNN是一种
【机器学习】1. K-近邻算法(KNN)
weixin_54054215的博客
02-25 214
【机器学习】1. K-近邻算法(KNN) 定义： 如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)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。 1.欧式距离(Euclidean Distance) 2.算法流程 1）计算已知类别数据集中的点与当前点之间的距离 2）按距离递增次序排序 3）选取与当前点距离最小的k个点 4）统计前k个点所在的类别出现的频率 5）返回前k个点出现频率最高的类别作为当前点的预测分类 3.sklearn-API sklearn.neighbors.KNeigh
机器学习之K临近算法
fbher的博客
07-24 311
1.概念： 什么是K临近算法，其实可以根据字面上了解，若我现在有一堆点，根据它们的特征我把它们分成若干类，现在再加入一个点，求出这个点是属于哪一个类，我们可以取K个点，然后我们再计算所有点到这个点的欧式距离或者某一种距离，然后选出离它最近的K个点，看这K个点中那种点比较多，然后就把这个点归为哪一类。 什么是分类，分类是离散的，我们上面说的点的归类也是一种分类。 ...
机器学习算法——k-近邻算法
huangQK的博客
10-09 1709
k-近邻算法（k-Nearest Neighbour algorithm），又称为KNN算法。KNN的工作原理：给定一个已知标签类别的训练数据集，输入没有标签的新数据后，在训练数据集中找到与新数据最邻近的k个实例，如果这k个实例的多数属于某个类别，那么新数据就属于这个类别。由那些离X最近的k个点来投票决定X归为哪一类。下面我们通过一个简单的小例子来了解一下k-近邻算法：图1-1图1-1是一个很基础的knn算法模型。
Python 机器学习 K-近邻算法
weixin_42098295的博客
01-30 1824
它是一种基于实例的学习（Instance-based learning），或者称为懒惰学习（Lazy learning），因为它不会从训练数据中学习一个固定的模型，而是使用整个数据集进行预测。在回归问题中，则通常是这些邻居值的平均值。选取合适的K值是至关重要的，太小的K值会使模型对噪声敏感，而太大的K值可能使模型无法捕捉到数据的特性。参数指定了计算最近邻的方法，可选项包括 'auto', 'ball_tree', 'kd_tree', 'brute'，其中'auto'会自动选择最适合数据的算法。
机器学习：k-近邻算法
03-24
海伦约会问题的数据集。
Python机器学习k-近邻算法(K Nearest Neighbor)实例详解
09-20
K-近邻算法（K Nearest Neighbor，KNN）是一种基本分类与回归方法。在机器学习领域，KNN算法的核心思想是通过测量不同特征值之间的距离来进行分类。基于输入样本与样本集中已知类别的样本之间的距离，将其归类于最近...
精选资源
机器学习实战-k-近邻算法改进约会网站的配对效果
08-15
在本实践项目中，我们将深入探讨如何利用机器学习中的k-近邻算法（K-Nearest Neighbors，简称KNN）来改进约会网站的配对效果。KNN是一种非参数监督学习方法，常用于分类和回归任务。在这个案例中，我们将关注其在...
精选资源
机器学习实战 - k近邻算法（KNN算法）总结
04-12
机器学习实战 - k近邻算法（KNN算法）总结 适合机器学习实战入门新手 K-近邻算法，又称为 KNN 算法，是数据挖掘技术中原理最简单的算法。 KNN 的工作原理：给定一个已知类别标签的数据训练集，输入没有标签的新数据...
基于机器学习的 K 近邻算法 - 水果分类 Python 源码
02-20
基于机器学习的K近邻算法是一种简单而有效的分类方法，它在水果分类等许多实际问题中都有着广泛的应用。K近邻算法的核心思想是依据最近邻的K个样本的分类情况来决定新样本的分类。在水果分类的应用场景中，首先需要...
K近邻算法原理及实现（Python）
热门推荐
dobests的博客
09-19 1万+
简单介绍k近邻算法的原理及其python实现（包括kd树的构造和搜索）
matlab代编程序机器学习通信仿真python神经网络图像处理优化算法
matlabgoodboy的博客
01-01 267
Matlab/Python 程序定制代编（机器学习/通信仿真/神经网络/图像处理/优化算法） 你需要的是**Matlab程序代编**与**Python定制开发**，聚焦机器学习、通信仿真、神经网络、图像处理、优化算法五大核心场景，以下内容明确全场景服务范围、技术实现、典型案例及交付保障，满足课程设计、毕业设计、科研项目、小型工程应用等各类需求。
机器学习笔记（3.1）Xgboost算法推导
金融风控笔记
12-31 374
摘要：本文系统推导了XGBoost的核心原理，包括目标函数构建、泰勒展开近似损失函数、树结构表示、最优叶子权重计算等关键环节。重点阐述了贪心分裂策略及其优化方法，以及XGBoost独特的缺失值处理机制：即使在训练数据无缺失的情况下，模型仍能通过预设默认方向处理预测阶段的缺失值。文章还通过Python示例验证了这一特性，并指出XGBoost的强大之处在于其正则化设计、二阶导数优化和并行计算等创新。最后推荐了相关论文和资料供进一步学习。
机器学习——贝叶斯
2401_83998832的博客
12-29 1420
正向概率：假设袋子里有10个白球，90个黑球，然后从袋子里面拿出1个球，拿出的球是白球的概率是多少？显然，白球的概率是1/10逆向概率：如果我们事先并不知道袋子里白球、黑球的比例，然后通过多次试验，根据拿出来的球的颜色推测袋子里白球、黑球的比例贝叶斯分类器的代码使用：朴素贝叶斯算法，中文处理classalpha=1.0参数：1.多项式分布的朴素贝叶斯。2.控制模型拟合时的平滑度定义：alpha是一个浮点数，表示添加剂（拉普拉斯/Lidstone）平滑参数。
PC1001超高频率（50HMZ）单通单低侧GaN FET驱动器支持正负相位配置
2301_76864527的博客
12-30 372
概述：PC1001 是一款单通道高速驱动器，具有 5V 输出和专用增强型氮化镓（GaN）场效应晶体管（FET）驱动功能。PC1001 可提供非对称峰值电流驱动能力，源电流为 1.4A，灌电流为 4A，分别可优化器件的导通和关断时间。PC1001 提供反相和非反相输入，以满足单个器件类型中对反相和非反相门驱动的需求。当输入引脚悬空时，内部输出上拉和下拉电阻会使输出保持低电平。PC1001 具有欠压锁定功能，在 VDD 电源电压进入工作范围之前，可使输出保持低电平。特性：• 分离输出配置以分别控制上升时间和下降
人工智能之核心基础 机器学习 第四章 决策树与集成学习基础
最新发布
咚咚王者的博客
01-01 648
决策树就像“20个问题”游戏——通过一系列是/否问题，一步步缩小范围，最终做出判断。✅核心思想：用树形结构对数据进行分而治之的划分。“三个臭皮匠，顶个诸葛亮”集成学习：组合多个弱学习器（表现略好于随机猜测），形成一个强学习器。模型核心思想适用场景关键优势决策树if-else规则链需要可解释性直观、无需特征缩放随机森林多棵树投票（Bagging）通用分类/回归稳定、抗过拟合串行纠错（Boosting）竞赛/高精度需求精度高、支持多种任务💡建议先用决策树理解逻辑再用随机森林获得稳定性能。
守正创新，拥抱未来：机器学习之心2025年度总结
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
12-27 536
但同时，我更注重保持“人”的核心优势：对复杂问题的拆解能力、对技术趋势的独立判断、对项目实践的深刻复盘，以及与读者之间真实的情感与技术共鸣。作为一名深耕技术领域的优快云年度影响力博主，机器学习之心在这一年中，既见证了人工智能技术的迅猛冲击，也亲历了技术迭代的持续加速。在这样充满变局与机遇的一年里，我始终坚持“守正创新，拥抱未来”的信念，在创作中沉淀，在挑战中成长，在变化中寻找平衡与突破。路漫漫其修远兮，2026，让我们继续同行，在技术的星辰大海中，守住一盏思考的灯，传递一份真实的光。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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