【7%】100小时机器学习——K近邻法

总目录链接

K近邻法（K-NN，k-NearestNeighbor）

前言

什么是KNN

K-NN是一种简单且最常用的分类算法，可以应用于回归计算。K-NN是无参数学习，这意味它不会对底层数据的分布做出任何假设，它是基于实例并在一个有监督的学习环境中使用。我们的算法没有显示的模型，它选择的是记忆训练实例。

K-NN算法工作原理

KNN用于分类时的输出结果是一个类别，这种方法有三个关键元素：
· 一组标记的对象
· 对象之间的距离
·k的值-最近邻的数量

kNN分类原理

KNN分类

要对未标记的对象进行分类，则会计算出该对象对标记的对象之间的距离（最常用的是欧氏距离），确定其k近邻点，然后使用周边最多的最近邻点的类标签来确定该对象的类标签。

欧氏距离

其他常见的距离度量方法包括：
· Hamming Distance（汉明距离）
· Manhattan Distance （曼哈顿距离）
· Minkowski Distance （闵氏距离）

K的取值

求K的值并不容易。K值较小意味着噪声会对结果产生较大影响，而K值较大会使得计算成本变高。有些情况下最好是遍历每个可能的K值，然后根据自己的实际来选择K值。