一：什么是看KNN算法？ kNN算法全称是k-最近邻算法（K-Nearest Neighbor） kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来 ...
分类：
编程语言 时间：
2017-07-29 18:11:57
阅读次数：
134
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？ 3. 算法详述 3 ...
分类：
其他好文 时间：
2016-09-19 06:38:06
阅读次数：
155
KNN分类算法，是理论上比较成熟的方法，也是最简单的机器学习算法之一。 该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。 KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样 ...
分类：
编程语言 时间：
2016-09-17 23:21:27
阅读次数：
203
kNN-------k-邻近算法
1.kNN是non-parametric分类器，既不做分布式假设，直接从数据估计概率密度；
2.kNN不适用于高维数据
优点：
1.无需估计参数，无需训练；
2.特别适合于多分类问题（对象具有多个标签）。
缺点：
1.当样本容量不平衡是，输入有个新样本，该样本的K个邻值中大容量样本占多数，对分类不利；
2.计算量过大，需要计算待分类...
分类：
编程语言 时间：
2016-05-07 08:07:46
阅读次数：
231
一、 K邻近算法思想：存在一个样本数据集合，称为训练样本集，并且每个数据都存在标签，即我们知道样本集中每一数据（这里的数据是一组数据，可以是n维向量）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（向量的每个元素）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的的 ...
分类：
编程语言 时间：
2016-05-02 19:47:28
阅读次数：
322
# 第二章：推荐系统入门原文：http://guidetodatamining.com/chapter-2/内容：* 推荐系统工作原理* 社会化协同过滤工作原理* 如何找到相似物品* 曼哈顿距离* 欧几里得距离* 闵可夫斯基距离* 皮尔逊相关系数* 余弦相似度* 使用Python实现K最邻近算法* ...
分类：
其他好文 时间：
2016-04-16 00:47:07
阅读次数：
321
k-邻近算法 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 使用范围： 数值型， 标称型 距离计算所需要的数值， 最好使结构化的数据格式 1. 需要输入样本数据和机构化的输出结果 2. 运行k邻近算法判定输入数据分别属于哪个分类 3. 应用对计算出的分类执行后 ...
分类：
编程语言 时间：
2016-04-11 22:24:02
阅读次数：
239
3.1k邻近算法
给定一个训练数据集，对于新的输入实例，在训练数据集中找到该实例最近的K 的实例，这k个实例的多数属于某个类，酒吧该输入实例分为这个类。
算法3.1
输入:训练数据集
其中xi为实例的特征向量，yi为实例的类别，
输出：实例x的类y
（1）根据给定的距离度量，在训练集T中找出与x最邻近的k个点，涵盖这个K个点的x的邻域记做Nk(x)；
（2）在...
分类：
编程语言 时间：
2016-03-29 10:57:05
阅读次数：
624
概述K最近邻（k-Nearest Neighbor，KNN）分类算法可以说是最简单的机器学习算法了。它采用测量不同特征值之间的距离方法进行分类。它的思想很简单：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。算法总结k-邻近算法是分类...
分类：
其他好文 时间：
2015-04-11 01:11:04
阅读次数：
209
k-邻近算法概述k-邻近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、空间复杂度高使用数据范围：数值型和标称型工作原理：存在一个样本数据集合（也称作训练样本集），并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属的对应关系。...
分类：
编程语言 时间：
2015-03-16 16:11:37
阅读次数：
166
