机器学习---k-近邻算法

最新推荐文章于 2025-08-22 11:20:25 发布
原创 最新推荐文章于 2025-08-22 11:20:25 发布 · 410 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。

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

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
04-05 774
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
09-27 639
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 1774
“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
02-25 194
【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
07-24 294
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 1607
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 1695
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...
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...
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）
线性回归笔记
最新发布
2402_88703635的博客
08-22 558
线性回归是一种基于最小二乘法的预测建模技术，通过构建自变量与因变量的线性关系进行预测。文章介绍了线性回归的核心思想、一般形式、评估指标（SSE、MSE、R²）和参数估计方法，重点阐述了多元线性回归与简单线性回归的区别与联系。线性回归具有解释性强、计算高效的优点，广泛应用于房地产定价、医学研究和市场营销等领域。最后说明了sklearn库中线性回归算法的实现方法及其参数作用。
198种组合算法+双重优化BP神经网络+SHAP分析+新数据预测！机器学习可解释分析，粉丝必备！
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。
08-19 1570
198种组合算法+双重优化BP神经网络+SHAP分析+新数据预测！机器学习可解释分析，粉丝必备！
【知识杂记】方差、标准差、均方误差、均方根误差与平均绝对误差，概念、计算公式、物理意义
qq_45976653的博客
08-20 607
摘要 方差和标准差衡量数据围绕平均值的离散程度，其中标准差还原了原始单位。均方误差（MSE）和均方根误差（RMSE）评估预测值与真实值的偏差，RMSE解决了MSE单位不一致的问题。平均绝对误差（MAE）使用绝对值计算误差，对异常值更稳健。MSE和RMSE对大误差敏感，而MAE虽鲁棒但不可微。这些指标在统计分析和机器学习中各有优劣，需根据具体场景选择使用。
【机器学习】SMOTE(Synthetic Minority Over-sampling Technique)，合成少数类过采样是什么？
weixin_44174312的博客
08-19 946
SMOTE（合成少数类过采样技术）是一种用于解决类别不平衡问题的算法，通过为少数类生成合成样本来提高分类器的召回率和macro-F1值。其核心原理是在少数类样本及其近邻之间线性插值生成新样本。适用于连续数值特征且类别极不平衡的场景，但需注意可能增加误报率（FPR）或放大噪声。使用时需避免数据泄漏，可通过imblearn.Pipeline实现。变体如SMOTE-NC适用于混合特征，Borderline-SMOTE关注类边界，SMOTEENN可清洗噪声。在课题中，SMOTE能提升分类效果，但需权衡FPR与运行代
数据清洗（Data Cleansing）——机器学习深度学习所需数据的清洗实战案例 （结构清晰、万字解析、完整代码）包括机器学习方法预测缺失值的实践
2302_78022640的博客
08-19 1026
加载你自己写的缺失值处理工具模块。核心思想：所有负责“基于训练集拟合并填充训练集”；与之配套的负责“用训练阶段学到的统计量/模型去填充测试集”。这样可以避免把测试集信息泄露到训练阶段。train_fill：基于训练集“学规则 + 填训练集”。test_fill：沿用训练集规则，填充测试集。简单剔除：CCA（删除有缺失的行）。统计填充：均值 / 中位数 / 众数。机器学习预测填充：线性回归（线性假设） / 随机森林（非线性、鲁棒）。这样设计的好处：不同方法可以随时替换，实验对比。
机器学习经典算法总结：K-Means聚类与集成学习（Bagging, Boosting, Stacking）
2201_75691511的博客
08-21 723
聚类是一种无监督学习方法，目标是将相似的数据点划分为同一组，不相似的数据点划分到不同组。难点在于：如何评估聚类效果、如何选择合适的聚类数目K、如何定义“相似性”。集成学习通过结合多个弱学习器构建一个强学习器，提升模型的泛化能力和鲁棒性。算法类型代表算法特点适用场景聚类K-Means无监督，简单高效数据分群、图像分割集成学习-Bagging随机森林并行、抗过拟合、可解释性强分类、回归、特征选择集成学习-BoostingAdaBoost串行、调整权重、强分类器二分类、异常检测。
掌握机器学习精髓：k-近邻算法详解
资源摘要信息:"本文档是一篇关于机器学习中k-近邻算法的介绍和分析，它详细描述了该算法的原理、实现方式以及应用场景。同时，文档中包含了相应的源代码和数据集，用于实践和理解k-近邻算法。文档的标签指明其内容...
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