KNN算法介绍(最邻近规则分类算法)
来源:互联网 发布:老虎机算法作弊器 编辑:程序博客网 时间:2024/04/30 05:13
KNN算法介绍(最邻近规则分类算法)
1. 综述
1.1 Cover和Hart在1968年提出了最初的邻近算法
1.2 分类(classification)算法
1.3 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)
2. 例子:
未知电影属于什么类型?将样例坐标化;
3. 算法详述
3.1 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
3.2 细节:
关于K
关于距离的衡量方法:
3.2.1 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)
3.3 举例:K的选取至关重要,如下图,选K=1,位置绿色点则属于正方形,K=4,则属于三角形;
4. 算法优缺点:
4.1 算法优点
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
4.2 算法缺点:下图中分布不均,蓝色点占主导地位,K取K=13时,影响了Y点的预测。
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没接近目标样本。
5. 改进版本
考虑距离,根据距离加上权重
比如: 1/d (d: 距离)
1 0
- KNN算法介绍(最邻近规则分类算法)
- 最邻近规则分类算法(KNN)
- 机器学习第二个算法KNN(最邻近规则分类KNN算法)
- KNN最邻近规则分类算法实践实现【Python实现】
- 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
- 机器学习---最邻近规则分类KNN(k-NearestNeighbor)算法
- 4.1 最邻近规则分类(K-Nearest Neighbor)KNN算法
- 4.2 最邻近规则分类(K-Nearest Neighbor)KNN算法应用m
- 机器学习——最邻近规则分类(K Nearest Neighbor)KNN算法
- 机器学习——最邻近规则分类(K Nearest Neighbor)KNN算法的应用
- KNN 最邻近规则分类
- KNN最邻近算法
- 机器学习算法:kNN(K-Nearest Neighbor)最邻近规则分类
- KNN(K最邻近)算法
- KNN算法(邻近算法)
- 机器学习与深度学习(二) k最邻近分类算法 (K-Nearest Neighbor) KNN
- 4.1 最近邻规则分类算法(KNN)
- centos系统安装openstack
- [Deep Learning] TensorFlow模型、参数的保存与读取
- C# 文件上传帮助类
- leetcode.70.Climbing Stairs
- Mysql中产生指定范围随机整型数
- KNN算法介绍(最邻近规则分类算法)
- ActivitiAPI
- Mac上安装nginx
- 【遇到的异常】initializationError(Runner:JUnit 4)
- 转 原来Github上的README.md文件这么有意思——Markdown语言详解
- 剑指offer 和为s的连续正数序列
- Java中的main()方法详解
- Subsequence POJ
- Install VPN PPTP Server on CentOS 6