《人工智能基础及应用（Python 微课版）》课件 第5.4 kNN模型_第1页
《人工智能基础及应用（Python 微课版）》课件 第5.4 kNN模型_第2页
《人工智能基础及应用（Python 微课版）》课件 第5.4 kNN模型_第3页
《人工智能基础及应用（Python 微课版）》课件 第5.4 kNN模型_第4页
《人工智能基础及应用（Python 微课版）》课件 第5.4 kNN模型_第5页
已阅读5页，还剩5页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

K近邻算法kNN算法的思想

算法步骤最佳k值的选择

最佳k值的选择

确定“绿色圆”属于“红色三角形”还是“蓝色四方形”类？若K=3，距离“绿色圆”最近的3个点中“红色三角形”所占比例为

，“蓝色四方形”所占比例为

。由于

，所以“绿色圆”分为“红色三角形”类。当K=5，“蓝色四方形”所占比例为

，“红色三角形”所占比例为

，“绿色圆”分为“蓝色四方形”类。所以，KNN算法的结果很大程度取决于K值的选择。样本间相似度的度量方法欧氏距离

样本间相似度的度量方法曼哈顿距离

样本间相似度的度量方法余弦相似度

KNN算法的应用实战

kNN模型的函数

neighbors.KNeighborsClassifier(n_neighbors=5,weights='uniform',algorithm='auto', leaf_size=30,p=2,metric='minkowski', metric_params=None,n_jobs=1)n_neighbors：用于指定近邻样本个数K，默认为5weights：用于指定近邻样本的投票权重，默认为'uniform'，表示所有近邻样本的投票权重一样；如果为'distance'，则表示投票权重与距离成反比，即近邻样本与未知类别的样本点距离越远，权重越小，反之，权重越大algorithm：用于指定近邻样本的搜寻算法，如果为'ball_tree'，则表示使用球树搜寻法寻找近邻样本；如果为'kd_tree'，则表示使用KD树搜寻法寻找近邻样本；如果为'brute'，则表示使用暴力搜寻法寻找近邻样本。默认为'auto'，表示KNN算法会根据数据特征自动选择最佳的搜寻算法KNN算法的应用实战

neighbors.KNeighborsClassifier(n_neighbors=5,weights='uniform',algorithm='auto', leaf_size=30,p=2,metric='minkowski', metric_params=None,n_jobs=1)leaf_size：用于指定球树或KD树叶子节点所包含的最小样本量，它用于控制树的生长条件，会影响树的查询速度，默认为30metric：用于指定距离的度量指标，默认为闵可夫斯基距离p：当参数metric为闵可夫斯基距离时，p=1，表示计算点之间的曼哈顿距离；p=2，表示计算点之间的欧氏距离；该参数的默认值为2metric_params：为metric参数所对应的距离指标添加关键字参数n

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论