2-1 最近邻规则分类(K-Nearest Neighbor)KNN算法
2016-12-03 21:05
288 查看
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)
相关文章推荐
- kNN(K-Nearest Neighbor)最近的分类规则
- 4.1 最近邻规则分类算法(KNN)
- 4.1 最邻近规则分类(K-Nearest Neighbor)KNN算法
- 4.2 最近邻规则分类算法(KNN)应用
- 02--机器学习之最近邻规则分类(KNN)
- 机器学习算法之最近邻规则分类KNN(K Nearest Neighbor)
- kNN算法:K最近邻(kNN,k-NearestNeighbor)分类算法
- 最邻近规则分类(K-Nearest Neighbor)KNN算法
- 机器学习之K-最近邻规则分类(KNN)算法
- 最近关注学习文本分类——天书般的ICTCLAS分词系统代码(一)
- 基于规则的分类
- JavaSE Swing程序结构、组件分类及基本规则
- 病毒的分类和命名规则
- kNN(K-Nearest Neighbor)最邻近规则分类
- css规则定义中"分类"中的"扩展"中的"滤镜"中的类型
- 最近邻分类算法KNN实现--参考麦子学院彭亮机器学习基础4.2
- 最邻近规则分类算法(KNN)
- 机器学习分类篇-最邻近规则分类KNN
- kNN:k-nearest neighbor classification(K最近邻分类算法,KNN)
- kNN(K-Nearest Neighbor)最邻近规则分类