人工智能——机器学习——k-近邻算法

K-近邻算法    #分类算法

定义：如果一个样本在特征空间中有K个最相似的样本，并且这些样本中大多数属于某一个类别，则该样本也属于一个类别。

简而言之:就是通过将目标样本与相似样本进行平方差开根号，通过对比找到距离最近的样本，从而确定目标样本的类别。

sklearn k-近邻算法API:   

sklearn.neighbors.(n_neighbors=n)    n_neighbor:int    n为查询的邻居数

推荐案例：网址：https://www.kaggle.com/navoshta/grid-knn/data

这是Fackbook创建的虚拟世界和数据，用来预测入住位置，进入官网可下载数据 

代码流程：

读入数据 ——处理数据（缩小范围）——日期格式的转——构造完整的数据特征——删除原来的时间戳——把签到未知少于n个的目标地址删除——特征化处理（标准化）——删除对预测结果无影响的特征

总之：代码流程的所有内容都是未来处理数据，使数据更加精简，降低电脑的负荷，预测结果更加准确，这样才能达到我们预期的目标。

k-近邻算法优点:简单，易于理解，易于实现，无需估计参数，无需训练

                缺点：懒惰算法，对测试样本分类时计算量大，内存开销大，必须指定K值，K值的选择很重要

小编有话说：

如果感觉小编的内容还有点价值，关注小编公众号