机器学习基础课程学习笔记 2.K-近邻算法

1. 综述

1.1 Cover和Hart在1968年提出了最初的邻近算法，它是一种有监督的机器学习算法
1.2 可以作为分类(classification)算法，也可以作为回归算法
1.3 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)

2. 算法详述

2.1 步骤：
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(离目标点距离最近的K个点，选取奇数个，K的选区与算法能否正确识别有重要关系)
计算未知实例与所有已知实例的距离（这也是该算法的缺点所在，计算量大内存占用大）
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

2.2 细节:
关于K
关于距离的衡量方法:
2.2.1 Euclidean Distance 定义

其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）

3. 算法优缺点：

3.1 算法优点
简单
易于理解
容易实现
通过对K的选择可具备丢噪音数据的健壮性

3.2 算法缺点
需要大量空间储存所有已知实例
算法复杂度高（需要比较所有已知实例与要分类的实例）
当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本

4. 改进版本

考虑距离，根据距离加上权重
比如: 1/d (d: 距离）