前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >k-近邻算法

k-近邻算法

作者头像
mwangblog
发布2018-12-13 17:29:57
5420
发布2018-12-13 17:29:57
举报
文章被收录于专栏:mwangblog

k-近邻算法(kNN)采用测量不同特征值之间的距离方法进行分类。

使用数据范围:数值型和标称型。 优点:精度高、对异常值不敏感、无数据输入假定。 缺点:计算复杂度高、空间复杂度高。

k-近邻算法的一般流程:

  1. 收集数据。
  2. 准备数据:格式化数据格式、归一化。
  3. 分析数据。
  4. 训练算法:不适用于k-近邻算法。
  5. 测试算法:计算错误率。
  6. 使用算法。

实施步骤:

对未知类别属性的数据集中的每个点依次执行以下操作:

  1. 计算已知类别数据集中的点与当前点之间的距离;
  2. 按照距离递增次序排序;
  3. 选取与当前点距离最小的k个点;
  4. 确定前k个点所在类别的出现频率;
  5. 返回前k个点出现频率最高的类别作为当前点的预测分类。
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-11-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 mwangblog 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档