k-近邻算法概述

  • 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

  • 适用数据范围

    • 数值型和标称型

工作原理

  1. 样本数据集，每个数据都存在标签状态
  2. 输入新的没有标签状态的数据，将新数据的每个特征与样本集中数据对应的特征比较
  3. 算法提取样本集中特征最相似（最近邻）数据的标签； 一般选取样本数据集中前k个最相似的数据; k通常是不大于20的整数

一般流程

  1. 收集数据：可以使用任何方法
  2. 准备数据：距离计算索需要的数值，最好是结构化的数据格式
  3. 分析数据：可以使用任何方法
  4. 训练算法：不适用于k-近邻
  5. 测试算法：计算错误率
  6. 使用算法：首选需输入样本数据和结构化的输出结果， 然后运行k-近邻算法判定输入数据分别属于哪个分类， 最后应用对计算出的分类 执行后续的处理

About ME

👋 读书城南，🤔 在未来面前，我们都是孩子～
  • 📙 一个热衷于探索学习新方向、新事物的智能产品经理，闲暇时间喜欢coding💻、画图🎨、音乐🎵、学习ing~
👋 Social Media
👋 加入小组~

👋 感谢打赏~