本文介绍了KNN(K-最近邻)分类算法的起源、算法流程、距离计算方法，如欧式距离、曼哈顿距离和切比雪夫距离。详细讲解了交叉验证法和网格搜索法，并提供了使用Python实现KNN的代码示例，结合iris数据集展示了无网格搜索和网格搜索调优的过程。实验结果显示，K=8时模型预测准确度达到0.96。
KNN分类算法
1、KNN分类算法起源
KNN,K-Nearest Neighbor的简写，即K-最近邻法算法，由Cover和Hart于1968年提出。其核心思想是借助“物以类聚，人以群分”，通过周围的事物属性来判断自身的属性，即自身属性由身边最近的K个物体的属性来决定，属于监督学习算法的一种。
2、算法流程：
3、距离计算方法介绍
闵可夫斯基距离
d i s t ( X , Y ) = ∑ ∣ x i − y i ∣ p p dist(X,Y) = \sqrt[p]{\sum|x_i-y_i|^p} dist(X,Y)=p∑∣xi−yi∣p
01-曼哈顿距离（当p=1）
d i s t ( X , Y ) = ∑
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
