机器学习算法 | Python实现k-近邻算法

机器学习算法 | Python实现k-近邻算法

目录

• • 机器学习算法 | Python实现k-近邻算法
  • • 基本介绍
    • 工作原理
    • 程序设计
    • 参考资料

基本介绍

KNN，全名k近邻算法。是⼀种⾮常简单有效的机器学习算法。KNN是通过计算不同特征值距离作为分类依据，即计算⼀个待分类对象不同​特征值与样本库中每⼀个样本上对应特征值的差值，将每个维度差值求和也就得到了该组数据与样本之间的距离，⼀般使⽤欧式距离进⾏计算，通过对所有样本求距离，最终得到离待分类对象最近的K个样本，将这K个点作为分类依据。

• 优点：精度高、对异常值不敏感、无数据输入假定,对数据的特征类型没有明确的要求；
• 缺点：时间复杂度高、空间复杂度高；

适用数据范围：数值型和标称型；
关键点：k值的选取，k值为10以内的奇数（奇数是为了避免出现打成平⼿的情况），也可以通过交叉验证的⽅式来选取得到合适的k值；

工作原理

• 存在一个样本数据集合，也称作训练样本集