2-1 最近邻规则分类(K-Nearest Neighbor)KNN算法
来源:互联网 发布:短信验证码软件 编辑:程序博客网 时间:2024/05/20 10:13
最近邻规则分类(K-Nearest Neighbor)KNN算法
综述
- Cover和Hart在1968年提出了最初的邻近算法
- 分类(classification)算法
- 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)
示例
未知电影属于什么类型?
假如有三种豆子,我们如何给三个未知豆子分类呢.可以根据离未知豆子比较近的豆子分类
算法描述
步骤
- 为了判断未知实例的类别,以所有已知类别的实例作为参照
- 选择参数K
- 计算未知实例与所有已知实例的距离
- 选择最近K个已知实例
- 根据少数服从多数的投票法则(majority-voting),让未知实例归类为K个最邻近样本中最多数的类别
细节
关于K
关于距离的衡量方法:
Euclidean Distance 定义
其他距离衡量:余弦值(cos), 相关度 (correlation), 曼哈顿距离 (Manhattan distance)
举例
如图所示K不同时问号可以分别属于绿色蓝色红等类别.
算法优缺点
法优点
- 简单
- 易于理解
- 容易实现
- 通过对K的选择可具备丢噪音数据的健壮性
算法缺点
- 需要大量空间储存所有已知实例
- 算法复杂度高(需要比较所有已知实例与要分类的实例)
- 当其样本分布不平衡时,比如其中一类样本过大(实例数量过多)占主导的时候,新的未知实例容易被归类为这个主导样本,因为这类样本实例的数量过大,但这个新的未知实例实际并木接近目标样本,如Y点
注意Y点的
改进版本
考虑距离,根据距离加上权重
比如: 1/d (d: 距离)
0 0
- 2-1 最近邻规则分类(K-Nearest Neighbor)KNN算法
- 最邻近规则分类(K-Nearest Neighbor)KNN算法
- 最邻近规则分类(K-Nearest Neighbor)KNN算法应用
- k-Nearest Neighbor-最近邻分类算法
- kNN:k-nearest neighbor classification(K最近邻分类算法,KNN)
- k-近邻算法(k-Nearest Neighbor, kNN)
- k-近邻算法(k-Nearest Neighbor,KNN)
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- kNN(K-Nearest Neighbor)最邻近规则分类
- 计算字符串中各个字母个数
- 10: docker 主机远程访问另一台docker 主机
- 1-2 决策树算法应用
- Uva699 The Falling Leaves 【递归输入】【例题6-10】
- LeetCode 14. Longest Common Prefix
- 2-1 最近邻规则分类(K-Nearest Neighbor)KNN算法
- 利用位图(Bit Map)和二分查找实现快速查找算法
- 文本文件与二进制文件区别
- OpenCV3.0 或OpenCV3.1 与cuda编译出现LINK: warning LNK4044: 无法识别的选项/LC:/Program Files/XXXXXXXX/lib/x64
- ViewPager、PagerTabStrip、FragmentPagerStateAdapter实现状态栏切换界面
- 数据库 表之间的联系
- 2-2 Python实现最邻近规则KNN分类应用
- 3-1 支持向量机SVM
- malloc,ralloc,calloc