KNN-机器学习实战

最新推荐文章于 2025-07-27 22:22:01 发布

翻译最新推荐文章于 2025-07-27 22:22:01 发布 · 315 阅读

文章标签：

#KNN

本文深入探讨了K-近邻算法(K-Nearest Neighbor, KNN)，一种由CoverT和HartP于1967年提出的分类与回归方法。KNN算法通过计算新数据与已知样本之间的距离来确定其类别，具有精度高、对异常值不敏感的特点，但计算复杂度和空间复杂度较高。适用于数值型和标称型数据。

11.27机器学习实战之KNN初探

摘抄的别人的链接

这个文章写的非常详细~~~
(https://blog.youkuaiyun.com/c406495762/article/details/75172850)

K-近邻法

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：存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(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，通常k是不大于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。

特点：
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、空间复杂度高。
适用数据类型：数值型和标称型。

–