K-近邻算法

简述：将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（前K个）的分类标签，选择前K个中出现次数最多的分类，作为新数据的分类。

用于回归：将K个样本的实值平均，还可基于距离远近进行加权平均或加权投票

优点：精度高、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

归一化数值为了提高准确度

因为K-近邻算法的计算复杂度实在太高，K决策树是K近邻算法的优化版

KNN虽然简单，但它的泛化错误率不超过贝叶斯最优分类器的错误率的两倍

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容