python中knn算法,用python实现knn算法

　　本教程运行环境：windows7系统，Python 3.9.1，DELL G3电脑。

　　1、优点

　　(1)简单有效

　　(2)再培训成本低。

　　(3)适合跨域采样。

　　基于KNN的方法主要依赖于附近有限数量的样本，而基于类别域的KNN方法无法确定其所属类别，因此KNN方法更适用于划分类别域重叠较多或重叠的样本集。

　　(4)适用于各种样本量的分类。

　　该方法适用于类别域大样本的类别动态分类，而类别域大样本的类别动态分类更容易出错。

　　2、缺点

　　(1)是懒学。

　　KN算法是一种惰性学习方法，而次主动学习算法的速度要快得多。

　　(2)班级评分不规范。

　　区别在于按概率分值分类。

　　(3)输出的可解释性差。

　　比如决策树的输出就可以很好的解释。

　　(4)不擅长处理不平衡样本。

　　当样本不平衡时，比如一个类的样本量很小，而其他类的样本量很小，这就可能导致一个新的样本出现在同一个K邻域中，在那个类的K邻域中占多数。这种算法只计算“最近”的邻域样本，一类样本的数量很少，所以这类样本可能不接近另一类样本的数量，或者这类样本不接近另一类样本的数量。但是，数量不会影响操作结果。因此，可以采用改进的同位素同位素方法(即同位素分解同位素同位素同位素法)。

　　以上就是python K-NN算法的优缺点介绍。希望能帮到你。更多Python学习指南：python基础教程

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。