ML-k邻近算法(kNN)

ML-k邻近算法(kNN)优点:精度高,对异常值不敏感,无数据输入假定。工作原理:存在一个样本数据集合,并且样本中每个数据都存在标签,输入没有标签的数据后,将新数据的每个

欢迎大家来到IT世界,在知识的湖畔探索吧!

  1. 定义:采用测量不同特征值之间的距离方法进行分类。
  2. 优点:精度高,对异常值不敏感,无数据输入假定。
  3. 缺点:计算复杂度高,空间度高。
  4. 适用数据范围: 数值型和标称型。
  5. 工作原理: 存在一个样本数据集合,并且样本中每个数据都存在标签,输入没有标签的数据后,将新数据的每个特征值与样本集中的每个特征值比对,然后算法提取样本中特征值最相似数据(最近邻)的分类标签。最后选择k个最相似数据中出现次数最多的分类,作为最新的分类。
ML-k邻近算法(kNN)

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://itzsg.com/74067.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

联系我们YX

mu99908888

在线咨询: 微信交谈

邮件:itzsgw@126.com

工作时间:时刻准备着!

关注微信