ML_KNN算法

本文详细介绍了K近邻(KNN)算法的工作原理,包括算法步骤、距离衡量方法、优缺点及改进版本。KNN是一种简单直观的分类算法,通过计算未知实例与已知实例之间的距离,选取K个最近邻进行多数表决,实现对未知实例的分类。

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

算法步骤:

为了判断未知实例的类别,以所有已知类别的实例作为参照

选择参数K

计算未知实例与所有已知实例的距离

选择最近K个已知实例

根据少数服从多数的投票法则(majority-voting),让未知实例归类为K个最邻近样本中最多数的类别

 

细节:

关于K

关于距离的衡量方法:

  Euclidean Distance定义

其他距离衡量:余弦值(cos)、相关度(correlation)、曼哈顿距离(Manhattan distance)

 

算法优缺点:

优点:

  简单

  易于理解

  容易实现

  通过对K的选择可具备丢噪音数据的健壮性

缺点:

  

 

  需要大量空间储存所有已知实例

  算法复杂度高(需要比较所有已知实例与要分类的实例)

  当其样本分布不平衡时,比如其中一类样本过大(实例数量过多)占主导的时候,新的未知实例容易被归类为这个主导样本,因为这类样本实例的数量过大,但这个新的未知实例实际并未接近目标样本

 

改进版本:

  考虑距离,根据距离加上权重

  比如:1/d(距离)

 

  

 

转载于:https://www.cnblogs.com/wuweixiong/p/10432088.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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