本文主要是介绍【机器学习】第3章 K-近邻算法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、概念
1.K-近邻算法：也叫KNN 分类 算法，其中的N是 邻近邻居NearestNeighbor的首字母。
（1）其中K是特征值，就是选择离某个预测的值（例如预测的是苹果，就找个苹果）最近的几个值，邻近的意思也很简单，就是距离上最近，距离测算主要分两种。
实际情况就是点的x,y这些值就是这个点的特征，一样的事物最后在坐标轴上位置离得很近，而你把预测值放进去，它离哪个近，可不就是哪个玩意嘛。
如果有几个类挨得特别近，就根据少数服从多数的投票法则，洒洒水啦~
（2）欧氏距离和曼哈顿距离：
2.K值大小的影响：
（1）K过小：造成过拟合，因为样本过少，所以看山是山。
（2）K过大：造成欠拟合，因为样本过多，假设判断的是人种，那么多都是人，那猿猴也有人的特征，很容易就也被归类到人里面了。
3.离差标准化（了解即可）：
当x,z都是两位数的时候，加入y是五位数，那此时y对距离的影响达到了非常大，所以要对其进行标准化，有三种：
4.简单说一下代码：
二、习题
单选题：
2、关于k-近邻算法说法错误的是（ D）
A k-近邻算法是机器学习
B k-近邻算法是监督学习
C k代表最近的K个样本
D k的选择对分类结果没有影响
3、关于k-近邻算法说法错误的是（ B）
A k-近邻算法可以用来解决回归问题
B 随着k值的增大，决策边界会越来越复杂
C 一般使用投票法进行分类任务
D 距离计算方法不同，效果也可能有显著差别
多选题：
8. K-近邻算法的基本要素包括（ABD ）。
A、距离度量 B、K值选择 C、样本大小 D、分类决策规则
判断题：
9. 最近邻算法中，样本的预测结果只由训练集中与其距离最近的那个样本决定。（ ）
PS：老师的答案是对，但是我搜的是错的。。。。
这篇关于【机器学习】第3章 K-近邻算法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
