“AI Red”的版本间的差异
来自CloudWiki
（→第4章 K-近邻算法） |
（→第4章 K-近邻算法） |
||
| 第29行： | 第29行： | ||
*[[3.7 F1 Score]] | *[[3.7 F1 Score]] | ||
==第4章 K-近邻算法== | ==第4章 K-近邻算法== | ||
| − | * | + | *算法简介 |
K最近邻(k-Nearest Neighbour，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(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。 | K最近邻(k-Nearest Neighbour，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(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。 | ||
用官方的话来说，所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。 | 用官方的话来说，所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。 | ||
2018年5月25日 (五) 10:37的版本
目录
机器学习的准备工作
环境的安装搭建
第1章 机器学习介绍
机器学习的典型步骤
- 数据标记和采集
- 数据清洗
- 特征选择
- 模型训练和测试
- 模型性能评估和优化
第2章 Python机器学习软件包
开发环境搭建
第3章 机器学习理论基础
第4章 K-近邻算法
- 算法简介
K最近邻(k-Nearest Neighbour，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(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。 用官方的话来说，所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。
