zoukankan      html  css  js  c++  java
  • k-近邻算法

    1. k-近邻算法采用测量不同特征值之间的距离方法进行分类

       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

       适用数据类型:数值型和标称行

       存在一个样本数据集合,称作为训练样本集。并且样本集中每个数据都存在标签(每一数据与所属分类的对应关系)。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比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。

    2. 流程:

    •    收集数据
    •    准备数据
    •    分析数据
    •    训练算法
    •    测试算法
    •    使用算法

    3. knn分类算法:

    •    计算已知类别数据集中的点与当前点之间的距离;
    •    按照距离递增次序排序;
    •    选取与当前点距离最小的k个点;
    •    确定前k个点所在类别的出现频率;
    •    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。
  • 相关阅读:
    memcached构建集群分析之一
    linux使用getopt解析参数
    setbuffer和freopen做一个简单的日志组件
    setbuf和freopen
    编码规范的重要性
    c++的操作符格式记录
    do{...}while(0)的作用
    CF div2 321 C
    CF div2 321 B
    CF div2 321 A
  • 原文地址:https://www.cnblogs.com/chengchengaqin/p/9735998.html
Copyright © 2011-2022 走看看