K-近邻算法

本文主要是介绍K-近邻算法，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

算法思想：首先计算预测的点与所有的点的距离，然后从小到大排序取前K个最小的距离对应的点，统计前K个点对应的label的个数，取个数最大的label作为预测值

K邻居分类器：简单地在训练数据中找到与测试样本“最相似”(特征空间中的“邻居”)的样本，然后为测试样本赋予与“最相似”的相同标签训练样本。

使用曼哈顿距离（L1）来衡量图片的相似性。

采用CIFAR10，效果如下

效果并不是很好。

K-近邻分类器在图片上的局限性：

①测试时非常慢

②像素的距离度量没有信息量

③维度限制

第三点如何理解

总结：在图像分类中，首相要设置一组图像和标签的训练集，并且必须在测试集预测上

K-近邻分类器根据最近的训练示例预测标签

距离度量和 K 是超参数

使用验证集选择超参数；最后只在测试集上运行一次

这篇关于K-近邻算法的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！

Java教程