K - 近邻算法

K - 近邻算法（KNN），他的工作原理：存在一个样本数据集合，也称为训练样本集，并且样本集合中每个数据都存在标签，即我们知道样本集合中每一个数据与所属分类的对于关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征值比较，然后算法提取样本集中 特征最相似数据（最近邻（的分类标签，一般来说，我们只选择样本数据集中前K个最相似的数据 ，这就是K - 近邻算法中k的出处。一般说来，我们可以K的值大概在20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

　　简单的说，K - 近邻算法算法就是采用测量不同特征值之间的距离方法进行分类，可以采用欧式距离或者余弦距离。

优点：精度高、对异常值不敏感、无数据输入假定

缺点：计算复杂度高、空间负责高。

转载于:https://www.cnblogs.com/fartherfuture/p/3628837.html