机器学习/深度学习笔试面试——Kmeans和KNN篇

最新推荐文章于 2023-05-01 11:16:33 发布
最新推荐文章于 2023-05-01 11:16:33 发布
阅读量1.3k 收藏 12
点赞数
文章标签： Keans KNN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ywx1832990/article/details/84175277
版权
本文对比了Kmeans与kNN两种算法，指出Kmeans为聚类算法，kNN为分类算法，两者虽用途不同，但均依赖于近邻信息进行决策。详细介绍了Kmeans算法的高效性和核心思想。

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

Kmeans 与 kNN 虽然都是以 K 打头，但却是两类算法——kNN 为监督学习中的分类算法，而 Kmeans 则是非监督学习中的聚类算法；二者相同之处：均利用近邻信息来标注类别。
Kmeans 是聚类算法中最为简单、高效的。
核心思想：由用户指定 k 个初始质心（initial centroids)，以作为聚类的类别（cluster），重复迭代直至算法收敛。

 

 

埃尘万象
关注
机器学习面试题库：K-means
丹妍同学的博客
05-18 1523
需要注意的是，虽然质心选择是K-means聚类算法中一个重要的因素，但是对于大规模的数据集，通常可以通过多次迭代和加入合适的正则化方法等措施来减小初始质心对聚类结果的影响。同时，需要注意的是，K-means算法的评估指标存在一定的局限性，如聚类的结果依赖于初始质心的选择，存在可能陷入局部最优解的问题等。手肘法：通过计算不同K值下聚类结果的SSE（误差平方和）或SSB（组间平方和）值，观察这些指标与K值的关系，找到SSE或SSB下降速度趋于平稳的K值，即所谓的“肘部”位置，作为合适的聚类数。
knn聚类还是分类_机器学习之KNN检测恶意流量
weixin_40000131的博客
12-25 382
背景任何智能活动的都可以称为人工智能，而机器学习(Machine Learning)属于人工智能的一个分支，深度学习(Deep Learning)则是机器学习的分支。近年来，随着基础设施的完善，海量大数据的积累，机器学习方法理论越来越成熟，算力的大幅度提升，互联网企业也越来越愿意增大在AI领域的投入，AI的优势在于处理海量数据提取捕获其中有用信息上发挥着非常重要的作用，如OCR领域图片鉴...
K-means算法 面试高频题
学渣集散地
11-24 1835
一、简述K-means的流程 基本流程如下： 随机初始化k个中心点； 计算所有样本点到中心点的距离； 比较每个样本到k个中心点的距离，并将样本分类到距离最近的中心点所在的类别中； k个类别组成的样本点重新计算中心点； 重复2-4，直到中心点变化小于阈值或不再变化。 其中，k表示预设的类别个数；两点间距离常用欧氏距离和余弦距离。 补充：K-means++ 解决K-Means算法对初始簇心比较敏感的问题，K-Means++算法和K-Means算法的区别主要在于初始的K个中心点的选择方面，K-Means算法使
k-means常见面试题
yanglee0
06-01 4469
总述 关于K-means在面试中常见的问题先汇总一下，下面分别详细说明。 1、简述一下K-means算法的原理和工作流程 2、K-means中常用的到中心距离的度量有哪些？ 3、K-means中的k值如何选取? 4、K-means算法中初始点的选择对最终结果有影响吗？ 5、K-means聚类中每个类别中心的初始点如何选择？ 6、K-means中空聚类的处理 7、K-means是否会一直陷入选择质心的循环停不下来？ 8、如何快速收敛数据量超大的K-means？ 9、K-means算法的优点和缺点是什么？ 一、
【机器学习实战】第10章 K-Means（K-均值）聚类算法
chimoren0700的博客
09-12 385
第 10 章 K-Means（K-均值）聚类算法 K-Means 算法 聚类是一种无监督的学习, 它将相似的对象归到一个簇中, 将不相似对象归到不同簇中. 相似这一概念取决于所选择的相似度计算方法. K-Means 是发现给定数据集的 K 个簇的聚类算法, 之所以称之为K-均值...
总结了200道经典的机器学习面试题（附参考答案）
small-guo
07-01 8197
刷题，是面试前的必备环节。本文总结了往年BAT机器学习面试题，干货满满，值得收藏。想要入职大厂可谓是千军万马过独木桥。为了通过层层考验，刷题肯定是必不可少的。本文根据网络在线发布的BAT机器学习面试1000题系列，整理了一份面试刷题宝典。1.请简要介绍下SVM。SVM，全称是support vector machine，中文名叫支持向量机。SVM是一个面向数据的分类算法，它的目标是为确定一个分类超平面，从而将不同的数据分隔开。扩展：支持向量机学习方法包括构建由简至繁的模型：线性可分支持向量机、线性支持向量机
机器学习大厂笔试面试5000题（101-110）
julyedu_7的博客
12-12 992
问题1：给你一个数据集。该数据集包含很多变量，你知道其中一些是高度相关的。经理要求你用PCA。你会先去掉相关的变量吗？为什么？ 解析1： 你可能会说不，但是这有可能是不对的。丢弃相关变量会对PCA有实质性的影响，因为有相关变量的存在，由特定成分解释的方差被放大。 例如：在一个数据集有3个变量，其中有2个是相关的。如果在该数据集上用PCA，第一主成分的方差会是与其不相关变量的差异的两倍。此外，加入相关的变量使PCA错误地提高那些变量的重要性，这是有误导性的。 解析2： 如上图所示，X1和X2
机器学习——详解经典聚类算法Kmeans
TechFlow的博客
03-18 786
本文始发于个人公众号：TechFlow，原创不易，求个关注 今天是机器学习专题的第12篇文章，我们一起来看下Kmeans聚类算法。 在上一篇文章当中我们讨论了KNN算法，KNN算法非常形象，通过距离公式找到最近的K个邻居，通过邻居的结果来推测当前的结果。今天我们要来看的算法同样非常直观，也是最经典的聚类算法之一，它就是Kmeans。 我们都知道，在英文当中Means是平均的意思，所以也有将它翻译...
机器学习笔试面试题——day1
打死也不读博士
07-08 2429
选择题 1、一个二进制源X发出符号集为{-1,1}，经过离散无记忆信道传输，由于信道中噪音的存在，接收端Y收到符号集为{-1,1,0}。已知P(x=-1)=1/4，P(x=1)=3/4，P(y=-1|x=-1)=4/5，P(y=0|x=-1)=1/5，P(y=1|x=1)=3/4，P(y=0|x=1)=1/4，求条件熵H(Y|X)（ ）A 0.2375 B 0.3275 C 0.5273 D 0...
保研考研面试—机器学习
qq_35823311的博客
01-28 2390
机器学习，考研保研面试
校招算法工程师常见面试题及答案总结03——KMeans
LuckyJune34的博客
01-22 9152
K-Means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-Means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。
机器学习与深度学习——通过knn算法分类鸢尾花数据集iris求出错误率并进行可视化
未来社会二十年发展的核心技术趋势由ABCD四个字母组成，分别是AI（人工智能）、BlockChain（区块链）、Cloud（云）、和Data（大数据）每一次进步都有新的认知和感触
05-01 3620
KNN算法是一种基于实例的机器学习算法，其全称为K-最近邻算法（K-Nearest Neighbors Algorithm）。它是一种简单但非常有效的分类和回归算法。 该算法的基本思想是：对于一个新的输入样本，通过计算它与训练集中所有样本的距离，找到与它距离最近的K个训练集样本，然后基于这K个样本的类别信息来进行分类或回归预测。KNN算法中的“K”代表了在预测时使用的邻居数，通常需要手动设置。
机器学习与深度学习（二） k近邻分类算法 (K-Nearest Neighbor) KNN
tz_zs的博客
06-27 1335
____tz_zs学习笔记 k最邻近分类算法 (K-Nearest Neighbor) KNN 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
机器学习/深度学习笔试面试——Kmeans和KNN
qq_43703185的博客
06-11 288
原文链接:https://blog.youkuaiyun.com/ywx1832990/article/details/84175277 Kmeans 与 kNN 虽然都是以 K 打头，但却是两类算法——kNN 为监督学习中的分类算法，而 Kmeans 则是非监督学习中的聚类算法
Kmeans面试常见问题汇总
qq_38489833的博客
07-01 1949
**Kmeans面试常见问题汇总 1.K-means的伪代码： 2.K-means中常用的到中心距离的度量有哪些？ 3.K-means聚类中每个类别中心的初始点如何选择？ 1）随机法 最简单的确定初始类簇中心点的方法是随机选择K个点作为初始的类簇中心点。 2）选择各批次距离尽可能远的k个点，首先随机选择一个点作为第一个初始类簇中心点，然后选择距离该点最远的那个点作为第二个初始类簇中心点，然后再选择距离前两个点的最近距离最大的点作为第三个初始类簇的中心点，以此类推，直到选出k个初始类簇中心。 3）层次聚类
机器学习——KNN
weixin_43842155的博客
04-08 1149
KNN(k-近邻算法） KNN是机器学习中的一种分类算法，顾名思义，KNN是通过将样本映射为欧式空间中的坐标，将测试样本与周边的k个数据集样本比较，如果k个样本中的大部分属于一类，则就可以预测该测试样本属于该类。 KNN一般通过计算样本之间的欧氏距离寻找k个邻近点。 距离度量 KNN算法通过对样本坐标之间的距离来衡量样本之间的相似程度，距离越近，相似程度越高。 k值的选择 k值的选择会对kNN模型的结果产生重大影响。选择较大的k值，相当于用较大邻域中的训练实例进行预测，模型会考虑过多的邻近点实例点，甚至会
机器学习之Knn算法
小火球儿
07-18 1601
机器学习 交通工具（无人机，自动驾驶） VR（虚拟现实） 比特币，区块链 定义：人工智能是研究开发用于模拟，延伸和扩展人的只能的理论、延伸和扩展人的智能的理论、方法、技术及应用系统的一门综合性交叉学科。 弱人工智能：包含基础的，特定场景下角色型的任务，如Siri和AlphaGo机器人 通用人工智能：包含人类水平的任务，涉及机器的持续学习。 强人工智能：比人类更聪明的机器。 机器学习是人工智能的一个领域 深度学习又是机器学习的一个分支 人工智能包括： 思考方面：机器学习，自动推理，人工意识，知识表示 听
深度学习之knn算法
zhangshaozhong__的博客
08-21 1017
KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，KNN可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一，注意KNN算法是有监督学习中的分类算法。
K近邻（KNN）算法面试问题汇总
longshaonihaoa的博客
05-26 2958
自己救自己系列，不然要没工作了，我太难了。 我只是个木得感情的搬运机器，以下内容都附有原链接地址，你不想我搬运的话，可以联系我删除好勒。 红色加粗是我见了好多次，感觉经常会考得点。 感觉KNN的面试问题偏少，这里列几个我网上有印象的 1、KNN原理 2、KNN优缺点 3、KNN与K-means的区别 4、欧式距离与曼哈顿距离区别 答案详见这位大佬的整理https://blog.youkuaiyun.com/A_102/article/details/88948326 5、KNN三要...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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