机器学习实战——第二章:K-近邻算法
2015-05-17 08:54
309 查看
本系列目的在于总结每一个分类器的特点(优点、缺点、使用数据类型、使用时的注意事项等)。相关代码自己搜。
python:建议使用2.7
python常用函数库:NumPy、scikit-learn等
python集成环境:anaconda
优点:
1、对异常值不敏感
2、无数据输入假设
缺点:
1、计算复杂度高(对每一个测试样本要跑一边KNN,距离计算也很耗时)
2、空间复杂度高(存储所有样本)
3、随K的变化结果可能受影响
4、无法给出数据的内在含义,仅靠距离作为唯一标准
使用数据类型:
1、连续型
2、离散型
使用时注意事项:
1、K一般不大于20
2、视情况对每个特征进行归一化
3、尝试改变K调整模型精度
python:建议使用2.7
python常用函数库:NumPy、scikit-learn等
python集成环境:anaconda
优点:
1、对异常值不敏感
2、无数据输入假设
缺点:
1、计算复杂度高(对每一个测试样本要跑一边KNN,距离计算也很耗时)
2、空间复杂度高(存储所有样本)
3、随K的变化结果可能受影响
4、无法给出数据的内在含义,仅靠距离作为唯一标准
使用数据类型:
1、连续型
2、离散型
使用时注意事项:
1、K一般不大于20
2、视情况对每个特征进行归一化
3、尝试改变K调整模型精度
相关文章推荐
- 机器学习实战------k-近邻算法
- 机器学习实战第二章K近邻算法照葫芦画瓢实践。
- 机器学习实战第二章代码清单2-3注释
- 机器学习实战第二章KNN算法(2)
- 机器学习实战-第二章(k-近邻算法)
- 代码注释:机器学习实战第2章 k-近邻算法
- 机器学习实战精读--------K-近邻算法
- 机器学习实战笔记(1)——k-近邻算法
- 机器学习实战 第2章 k-近邻算法
- 机器学习实战第二章——学习KNN算法,读书笔记
- 机器学习实战第二章-k近邻算法(包含一些python绘图基础)
- 机器学习实战-第二章
- 机器学习实战第二章,kNN
- 机器学习实战第二章 KNN算法的实现
- 机器学习实战教程(第二章 机器学习基本理论)
- 机器学习实战 第二章KNN(1)python代码及注释
- 机器学习实战第二章k-近邻用到的几个基本函数
- 机器学习实战第二章——KNN算法(源码解析)
- 机器学习实战 k-近邻算法
- 机器学习实战笔记(1)——k-近邻算法