缺點示例
參考knn，全稱 k-nearestneighbor，可以用來執行分類、回歸任務。
knn通過觀察離**點最近的點的類別，來決定**點的類別，計算過程為：
計算訓練樣本和測試樣本中每個樣本點的距離（常見的距離度量有歐式距離，馬氏距離等）；
對上面所有的距離值進行排序；
選前k個最小距離的樣本；
根據這k個樣本的標籤進行投票，得到最後的分類類別；
如下圖所示：
中間綠色的點是要**的點，藍色和紅色的點是已經**完的點。
該演算法的核心是如何獲取k個鄰居，即獲得距離最近的k個點。這裡的距離一般使用：
計算距離的演算法多種多樣，sklearn中常用的演算法有：
找到k個鄰居後，通過判斷多數鄰居的類別就可以計算出最終的類別，也可以為鄰居指定不同的權重：比如根據距離**點的距離設定不同的權重。也可以自定義權重規則。
什麼情況下選用knn演算法，沒有找到相關資料。
sklearn實現knn演算法的示例：
# train_data：訓練集
# test_data：測試集
# columns：列名
# n_neighbors：k個數
# weights：權重，uniform：一樣，distance：距離近的權重大，callable：自定義函式
# algorithm :
# p：1, using manhattan_distance (l1), 2， euclidean_distance (l2)，否則是 minkowski_distance (l_p).
defkneighbors2
(train_data, test_data, columns, n_neighbors, weights, algorithm, p)
:print
("n_neighbors %s, weights %s, algorithm %s, p %s"
%(n_neighbors, weights, algorithm, p)
) knn = kneighborsregressor(n_neighbors=n_neighbors, weights=weights, algorithm=algorithm, p=p)
# fit：訓練集，目標值。
knn.fit(train_data[columns]
, train_data[
'price'])
score = knn.score(test_data[columns]
, test_data[
'price'])
print
("score"
, score)
return score
常用演算法的優缺點
KNN k近鄰演算法
現在假如我們已經擁有了一些資料 稱為訓練資料集 ts，並且擁有所有資料的類別名 即每條資料應該歸於哪個類別。當我們要判斷一條不知類別的資料時，首先讓這條資料m和已經擁有的所有的資料ts中的每一條資料進行比較，然後根據比較結果選擇出和m最相似 一般是基於距離 的k條資料 k是個整數，並且通常是小於20...
kNN（k近鄰演算法）
k近鄰分析 knn 一 概述 knn演算法是一種有監督學習的分類演算法。所謂有監督學習，就是在應用演算法之前我們必須準備一組訓練集，訓練集中的每個例項都是由一些特徵和乙個分類標籤組成 通常還會存在乙個測試集，用來測試訓練出來的分類模型的準確性。其實knn演算法並沒有體現出有監督學習的所有特點，沒有模...
kNN k近鄰演算法
一 knn演算法的思想 knn演算法作為機器學習演算法中非常有效比較容易掌握的演算法，其基本思想是採用測量不同特徵值之間的距離的方法進行分類。knn屬於監督學習演算法，它的工作原理是 存在乙個樣本資料集，訓練樣本集，並且樣本集中的每個資料都存在標籤，即我們知道樣本集中每乙個資料與所屬分類的對應關係。...