weixin_46297583的博客

1. 基本原理K最近邻(K-Nearest Neighbor，KNN)分类算法是最简单的机器学习算法之一，其基本思路与“近朱者赤，近墨者黑”的原理类似，当对未分类样本进行分类时，首先判断其与已分类样本之间的特征相似度，然后将其划分到大多数已分类样本所属类别之中。已知训练样本集中每个样本对应的类别，当对新样本进行分类时，首先将新样本的特征与训练样本集中的样本特征进行比较，进而提取K个与其最相似（即在特征空间中最邻近）的已知类别的样本，然后将K个已知类别样本中包含样本数最多的类别标识分配给新样本。2. 求

** 基本原理：**朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法，朴素贝叶斯分类器有着坚实的数学基础与稳定的分类效率，而且所需估计的参数很少，对缺失数据不太敏感。理论上，朴素贝叶斯分类器模型与其他分类方法相比具有最小的误差率。朴素贝叶斯中的朴素是认为各个特征或者属性条件之间相互独立，这种假设在实际中有时并不成立，因此分类并不稳定，贝叶斯代表根据贝叶斯定理构建分类模型贝叶斯算法：P(A|B)=P(B|A)*P(A)/P(B)P(B) 为先验概率 P(B|A)为相对于B的条件概率 P.