vxworks与linux区别
浏览数：20 /
时间：2015年06月20日
K-近邻（K-Nearest Neighbors, KNN）是一种很好理解的分类算法，简单说来就是从训练样本中找出K个与其最相近的样本，然后看这K个样本中哪个类别的样本多，则待判定的值就属于这个类别。
KNN算法的步骤
- 计算已知类别数据集中每个点与当前点的距离；
- 选取与当前点距离最小的K个点；
- 统计前K个点中每个类别的样本出现的频率；
- 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。
举例：如下图所示，已知两类不同的样本数据，分别用蓝色的正方形和红色三角形表示，而图正中间的那个绿色的圆是待分类的数据。
根据KNN算法可知：
- 如果K=3，判定绿色待分类点属于红色的三角形一类。
- 如果K=5，判定绿色待分类点属于蓝色的正方形一类。
可见，K值的选择会对K近邻的分类结果产生重大影响。
在应用中，K值一般取一个比较小的值，通常采用交叉验证法来选取最优的K值。
KNN的思想很好理解，也非常容易实现，同时分类结果较好，对异常值不敏感。但计算复杂度较高，不适于大数据的分类问题。
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
