关于k近邻法的研究
来源:互联网 发布:unity3d 节点 编辑:程序博客网 时间:2024/06/06 15:04
在这里我们将学习到k-近邻法的基本原理,如何使用测量距离的方法来分类;我们会学习如何玻璃钢Python从文本文件导入并理解数据;再次,还要避免在存在许多数据俩元时,要避免计算计算距离时遇到的一些常见错误;利用k-近邻算法改进约会网站和数字手写识别系统。
一、算法概述
通过测量不同特征值之间的距离的方法来进行分类。
优点:精度足够高(这点是极好的)、对异常值不敏感(什么是异常值)、无数据输入假定(这儿也不是太清楚)
缺点:计算复杂程度高、空间复杂度高。
对于适用的数据类型:数值型和标称型(什么是标称型)
标称型:标称型目标变量的结果只在有限目标集中取值,如真与假(标称型目标变量主要用于分类)标称型:标称型目标变量的结果只在有限目标集中取值,如真与
假(标称型目标变量主要用于分类)
数值型:数值型目标变量则可以从无限的数值集合中取值,如0.100,42.001等 (数值型目标变量主要用于回归分析)
什么是回归分析啊?两种或者两种以上变量间相互依赖的定量关系的一种统计方法。
首先存在一个数据集合,训练样本集而且存在标签。我们输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行较,算法提取样本中特征最相似数据(最近邻)的分类标签。选择样本集中前k个最相似的数据,这就是k-近邻法中k的出处,通常k是不大于20的整数。最后,选择k个最相似数据中出现的次数最多的分类,作为新数据的分类。(没怎么看懂)
k近邻算法的一般流程
(1)收集数据:可以使用任何方法。
(2)准备数据:距离计算说需要的数值,最好是结构化的数据格式。
(3)分析数据:可以使用任何方法。
(4)训练算法:吃算法不适用于k-近邻算法。
(5)测试算法:计算错误率。
(6)使用算法:首先需要输入样本数据和结构化的输出结果,然后运行KNN判定输入数据分别输入属于哪个分类,最后应用计算出的分类执行后续的处理。
- 关于k近邻法的研究
- k-近邻算法的初步研究
- 基于K-近邻算法的手写数字识别研究
- k近邻法的实现:kd树
- k近邻法的实现:kd树
- K-近邻法(KNN)的实现
- k近邻法的C++实现
- 关于K最近邻分类算法(KNN)的综述
- K近邻法(KNN)
- k近邻法
- K近邻法
- k近邻法
- k近邻法
- k-近邻法
- k近邻法
- k近邻法
- k近邻法
- k近邻法
- 入职任务--搭建hadoop和storm环境并测试(包含搭建文档和测试准备文档,测试文档)
- 字符设备驱动
- MySQL Binlog监听服务延迟问题排查
- 如何在百度推广里加入两个密保手机
- 分布式任务编排调度框架设计 -- 学习参考
- 关于k近邻法的研究
- Eclipse常用快捷键——个人总结
- 进程间通信(二)
- xml和json数据交换合适的优缺
- flask-sqlAlchemy 创建表
- 链表
- css页面展示时间和超时提醒
- Linux性能评测工具之一:gprof篇
- OpenStack-M版(Mitaka)搭建基于(Centos7.2)+++十、Openstack对象存储服务(swift)完成安装