knn流程:knn算法優缺點[朗讀]

knn是通過測量不同特徵值之間的距離進行分類.它的思路是:如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別,則該樣本也屬於這個類別.優點:①訓練時間複雜度比支持向量機之類的算法低,僅為o(n)②和樸素貝葉斯之類的算法比,對數據沒有假設,準確度高,對異常點不敏感③knn主要靠周圍有限的鄰近的樣本,而不是靠判別類域的方法來確定所屬類別的,因此對於類域的交叉或重疊較多的待分樣本集來說,knn方法較其他方法更為適合缺點①計算複雜性高;空間複雜性高;②樣本不平衡的時候,對稀有類別的預測準確率低③可解釋性差,無法給出決策樹那樣的規則。