kNN

理解距离度量、近邻决策、kd 树与 sklearn 实战。

本专题条目

4 篇文章与资料

01 01. k-近邻算法概述k 近邻 （k Nearest Neighbor, 简称 kNN）是一种常见的监督学习算法，它是 Cover T 和 Hart P 在 1967 年提出的一种既可以用于分类，也可以用于回归的学习方法。它的工作原理非常简 … Notebook 02 02. 距离度量方法在前一节中，我们学习了 kNN 算法就是要找到距离输入样本最近的 k 个样本，然后再通过多数表决规则进行分类。那么这里的距离应该如何定义？ 我们在中学时就学过怎么计算平面几何中（二维空间）两点之间的距离： 如上图所示， … Notebook 03 03. k-近邻的算法实现：kd 树根据前面的学习，我们知道实现 k 近邻算法的关键就是如何找到距离某个样本最近的 k 个样本。最简单的实现方法是线性扫描（linear scan），或者叫做暴力搜索，也就是依次计算输入样本和每个训练样本的距离，不过当训练集 … Notebook 04 04. sklearn 实战 k-近邻算法这一节我们使用 sklearn 自带的鸢尾花数据集来实现 kNN 算法，和前面一样，我们只取数据集中的两个维度： 使用 sklearn 的 kNN 算法和 sklearn 的其他算法流程是一样的：首先定义分类器（在这里分 … Notebook