k值過小：
容易受到異常點的影響
k值的減小就意味著整體模型變得複雜，容易發生過擬合；
eg：判斷是不是人?
眼睛，鼻子，黃**
**顏色為過擬合
k值過大：
受到樣本均衡的問題
與輸入例項較遠（不相似的）訓練例項也會對**器作用，使**發生錯誤，且k值的增大就意味著整體的模型變得簡單。
eg：判斷是不是人?
特徵值：眼睛，鼻子
?呢？如何選擇k值？
近似誤差：對現有訓練集的訓練誤差，關注訓練集，如果近似誤差過小可能會出現過擬合的現象，對現有的訓練集能有很好的**，但是對未知的測試樣本將會出現較大偏差的**。模型本身不是最接近最佳模型。
估計誤差：可以理解為對測試集的測試誤差，關注測試集，估計誤差**明對未知資料的**能力好，模型本身最接近最佳模型。
機器學習 K means如何選擇k值？
k means聚類是我們在無監督學習中常用的一種演算法，但有乙個很讓人頭疼的問題就是如何選擇k值。在實際業務中，如果根據業務場景明確知道要得到的類數，那就好辦了，但很多時候不知道k怎麼辦呢？下面有三種方法可以用來確定k值，其基本思想還是最小化類內距離，最大化類間距離，使同一簇內樣本盡可能相似，不同簇...
機器學習演算法 1 4 k值的選擇
舉例說明 k值過大 k值選擇問題，李航博士的一書 統計學習方法 上所說 選擇較小的k值，就相當於用較小的領域中的訓練例項進行 學習 近似誤差會減小，只有與輸入例項較近或相似的訓練例項才會對 結果起作用，與此同時帶來的問題是 學習 的估計誤差會增大，換句話說，k值的減小就意味著整體模型變得複雜，容易發...
k值的選擇
k值過大 k值選擇問題，李航博士的一書 統計學習方法 上所說 1 選擇較小的k值，就相當於用較小的領域中的訓練例項進行 學習 近似誤差會減小，只有與輸入例項較近或相似的訓練例項才會對 結果起作用，與此同時帶來的問題是 學習 的估計誤差會增大，換句話說，k值的減小就意味著整體模型變得複雜，容易發生過擬...