当前位置：首页>python>Python-20-K近邻模型(物以类聚)

Python-20-K近邻模型(物以类聚)

2026-10-11 07:44:25

Python-20-K近邻模型(物以类聚)

K近邻模型，英文K-Nearest Neighbors。简称KNN模型。

作为机器的学习的模型之一，也是需要训练数据，然后再测试数据，它的数据“训练方式”跟其它模型不一样。

这个模型是将数据直接全部按特征保存起来。

KNN可视化(2个特征，2个结果）

假设这个数据的结果有两种类别1和0，它有两个特征值1和2（。KNN模型是直接将这组数据（如下图）保存起来了。使用这个模型进行预测是将新数据输入下图中的一点，但是它的类别的未知的，是我们所求的。

KNN的准确的翻译是K个最近的邻居。对于数据来说，你是谁，是由与你最近的K个人决定的，我们一般取K为单数，避免在做做分类问题的时候达成平手。K 一般不超过 √N（样本为100个时，K取10个进行尝试）。

这个算法的思想是取样本点与已知分类的点之间的距离，我们可以用欧氏距离，曼哈顿距离或者余弦相似度的方法，判断两者的相似性。

这里用的二维的散点图来进行理解KNN模型的思想，看最近邻居的情况来判断自己的情况。在实际的过程KNN输入的特征数超过3维，这么高纬度的图表不好可视化，这也是KNN的优势所在。

如果是用KNN做分类的问题，取最近的5个邻居的结果作为测试数据的判断标准，5个点中有3个列别1和2个是类别0，根据少数服从多数，这个新的样本点的数据为列别1.

如果是用KNN做预测型分析，同样也是参考最近的5个最近的邻居的数据(10,20,50,25,22),则新的样本的的数值为(10+20+50+25+22)/5=25.4。

这个模型的思路很有意思，我们的生活不也是这样么，我们由特种特征组成，不断地更新自己的状态，与我们相似的人在不停地变换。

需要进行表示列别的时候，少数服从多数。需要分配利益的时候，你大概率拿到的是平均值，这样不会有啥意见。

这哪是算法，这是智慧。也提醒我们要主要选择自己最亲近的人，要不可能会被平均地太厉害，或者带到沟里去。

#Python, #数据挖掘，#KNN

好的算法是让计算机将生活的知识表达出来，提取规律。

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。

最新文章

随机文章