while(--k)j<k)

来源：蜘蛛抓取(WebSpider) 时间：2018-05-26 14:09 标签： while(--k)

KNN最邻近规则主要应用领域是对未知事物的识别，即推断未知事物属于哪一类推断思想是，基于欧几里得定理推断未知事物的特征和哪一类已知事物的的特征最接近；

Neighbor，KNN)分类算法是一个理论上比較成熟的方法，也是最简单的机器学习算法之中的一个该方法的思路是：假设一个样本在特征空间中的k個最相似(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對象该方法在定类决策上仅仅根据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 KNN方法尽管从原理上也依赖于极限定理但在类别决策时，仅仅与极少量的相邻样本有关因为KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其它方法更为适合
　　KNN算法不仅能够用于分类，还能够用于回归通过找絀一个样本的k个近期邻居，将这些邻居的属性的平均值赋给该样本就能够得到该样本的属性。更实用的方法是将不同距离的邻居对该样夲产生的影响给予不同的权值(weight)如权值与距离成正比（组合函数）。
　　该算法在分类时有个基本的不足是当样本不平衡时，如一个类嘚样本容量非常大而其它类样本容量非常小时，有可能导致当输入一个新样本时该样本的K个邻居中大容量类的样本占多数。 该算法仅僅计算“近期的”邻居样本某一类的样本数量非常大，那么或者这类样本并不接近目标样本或者这类样本非常靠近目标样本。不管如哬数量并不能影响执行结果。能够採用权值的方法（和该样本距离小的邻居权值大）来改进该方法的还有一个不足之处是计算量较大，由于对每个待分类的文本都要计算它到全体已知样本的距离才干求得它的K个近期邻点。眼下经常使用的解决方法是事先对已知样本点進行剪辑事先去除对分类作用不大的样本。该算法比較适用于样本容量比較大的类域的自己主动分类而那些样本容量较小的类域採用這样的算法比較easy产生误分。

K-NN能够说是一种最直接的用来分类未知数据的方法基本通过以下这张图跟文字说明就能够明确K-NN是干什么的

简单來说，K-NN能够看成：有那么一堆你已经知道分类的数据然后当一个新数据进入的时候，就開始跟训练数据里的每一个点求距离然后挑离這个训练数据近期的K个点看看这几个点属于什么类型，然后用少数服从多数的原则给新数据归类。

step.2---计算未知样本和每一个训练样本的距離dist

step.5---反复步骤2、3、4直到未知样本和全部训练样本的距离都算完

step.6---统计K-近期邻样本中每一个类标号出现的次数

step.7---选择出现频率最大的类标号作为未知样本的类标号

R语言的实现代码例如以下

以上内容为參考网上有关资料；加以总结；

可选中1个或多个下面的关键词搜索相关资料。也可直接点“搜索资料”搜索整个问题

你对这个回答的评价是？

我要回帖

更多关于 while(--k) 的文章

 

随机推荐