- 综合排序
- 最热优先
- 最新优先
- 来自专栏翻译scikit-learn Cookbook
Using k-NN for regression使用K-NN来做回归模型
我们的老朋友回归模型能够被用于聚类的内容，回归明显是监督学习技术，所以我们将使用K近邻K-NN聚类来代替KMeans。 对于K-NN回归，我们使用K个在向量空间中最近的点来建立回归模型以代替传统回归中使用整个空间。 K-NN回归不能通过种类聚类，但是我们将假设Xs将要接近与它相似的种类，或者在这个例子中，花瓣宽度。 ，我们也将拟合一个传统的线性回归来对比看看K-NN回归表现得怎么样。 再看看图，山鸢尾种（聚类的左上角）被线性回归很大的高估了，同时K-NN非常接近真实值(我的不太一样)。
58210发布于 2019-11-26 - 来自专栏强化学习专栏
k-NN 剪辑近邻法
文章分类在AI学习笔记： AI学习笔记（10）---《k-NN 剪辑近邻法》 k-NN 剪辑近邻法 1. 前言 理解并掌握基本最邻近法（ k-NN ）的算法思想以及基本过程，并实现一个 k-NN 算法的函数。 3.K-means 算法原理 3.1k 最近邻法（ k-NN ） 由于上述方法只根据离待识别模式最近的一个样本的类别而决定其类别，通常称其为最近邻法或 1-NN 法。
35410编辑于 2024-12-03 - 来自专栏韩曙亮的移动开发专栏
【数据挖掘】K-NN 分类 ( 简介 | 分类概念 | K-NN 分类实例 | K-NN 分类准确度评估 | K-NN 分类结果评价指标 | 准确率 | 召回率 )
K-NN 简介 II . K-NN 分类 III . K-NN 分类实例 IV . K-NN 分类 准确性评估方法 V . 保持法 VI . k -交叉确认法 VII . K-NN 简介 ---- K-NN 简介 : ① 全称 : K-NN 全称是 K-Nearest Neighbors , 即 K 最近邻 算法 ; ② 定义 : 给定查询点 p , 找出离 p 最近的 K-NN 分类 ---- K-NN 分类 : ① 已知条件 : 假设给定查询点 p , 已经直到其 K 个最近邻居 ; ② 分类内容 : K-NN 的目的是为了给查询点 p 进行分类 ; ③ K-NN 分类 准确性评估方法 ---- K-NN 分类准确性评估方法 : 保持法 , k -交叉确认法 , 这两种方法是常用的 K-NN 评估分类准确率的方法 ; V . K-NN 分类结果评价指标 ---- K-NN 分类结果评价指标 : ① 准确率 , ② 召回率 ; VIII . 分类 判定 二维表 ---- 1 .
62910编辑于 2023-03-27 - 来自专栏数据科学（冷冻工厂）
机器学习算法：K-NN（K近邻）
简介 K-Nearest Neighbors k-最近邻算法，也称为 kNN 或 k-NN，是一种非参数、有监督的学习分类器，它使用邻近度对单个数据点的分组进行分类或预测。 K k-NN 算法中的 k 值定义了将检查多少个邻居以确定查询点的分类。例如，如果 k=1，实例将被分配到与其单个最近邻相同的类。定义 k 是一种平衡行为，因为不同的值可能会导致过拟合或欠拟合。 希望深入研究，可以通过使用 Python 和 scikit-learn 来了解有关 k-NN 算法的更多信息。 应用 k-NN 算法已在各种问题中得到应用，主要是在分类中。其中一些用例包括： 数据预处理 数据集经常有缺失值，但 kNN 算法可以在缺失数据插补的过程中估计这些值。 优缺点 就像任何机器学习算法一样，k-NN 也有其优点和缺点。根据实际情况，它可能是也可能不是最优的选择。 ６.1.
1.8K30编辑于 2023-02-27 - 来自专栏CDN及云技术分享
用Golang实现K-NN算法
K近邻算法用来对观察数据打标签/分类。通过和已打标样本对比 两者距离，跟哪个样本近就标注该观察数据应该归为什么标签。这通常也是机器学习的一个基础入门算法。
29810编辑于 2024-02-09 - 来自专栏数据科学（冷冻工厂）
机器学习算法：K-NN（K近邻）
简介图片k-最近邻算法，也称为 kNN 或 k-NN，是一种非参数、有监督的学习分类器，它使用邻近度对单个数据点的分组进行分类或预测。 希望深入研究，可以通过使用Python 和 scikit-learn 来了解有关 k-NN 算法的更多信息。 应用k-NN 算法已在各种问题中得到应用，主要是在分类中。其中一些用例包括：数据预处理数据集经常有缺失值，但 kNN 算法可以在缺失数据插补的过程中估计这些值。 优缺点就像任何机器学习算法一样，k-NN 也有其优点和缺点。根据实际情况，它可能是也可能不是最优的选择。６.1. 优势易于实现鉴于算法的简单性和准确性，它是新数据科学家将学习的首批分类器之一。
6.4K22编辑于 2023-01-19 - 来自专栏Elastic Stack专栏
Elasticsearch: 简化 K-NN 搜索的入门体验
在这篇博客文章中，我们将深入了解我们为使 K-NN（K-最近邻）搜索的入门体验更加轻松所做的努力！
1.2K31编辑于 2024-04-22 - 来自专栏WebJ2EE
零基础掌ML(2) — k-NN算法
lizhengxing 2021-09-07 09:25 k-NN简介 k-NN 是一种监督学习算法，全称 K-Nearest Neighbor，中文称之为 K近邻算法。 k-NN 是一种分类算法。 （例如：我们可以用k-NN来预测某人是否有患糖尿病的风险。） 注：k-NN 不是只能用于分类，它也可以用来回归，这一点我将放到后面讲。 k-NN实战 前面我们用一个“虚拟”的例子，初步了解了 k-NN 机器学习算法的工作原理。 完整代码 k-NN原理 距离的度量 k-NN 算法的核心是找出与待推断样本距离最近的 k 个邻居。 那么距离如何度量？ 我们用 “k-NN实战”中的例子来观察一下，不同 k 值对 k-NN 算法准确度的影响。 下面的程序将统计出 k 值从 1 到训练数据量变化时，k-NN 算法的准确度变化。
66430编辑于 2023-10-30 - 来自专栏Michael阿明学习之路
K 近邻法（K-Nearest Neighbor, K-NN）
k近邻法（k-nearest neighbor，k-NN）是一种基本分类与回归方法。
1.7K30发布于 2020-07-13 - 来自专栏机器学习与统计学
100天搞定机器学习|Day7 K-NN
01 k-NN算法 K最近邻(k-Nearest Neighbor，KNN)是数据挖掘分类技术中最简单的方法之一，是机器学习中唯一一个不需要训练过程的算法。
46030发布于 2019-04-23 - 来自专栏iOSDevLog
ARKit+Swift 版本的机器学习算法 k-NN
在k-NN分类中，输出是一个分类族群。一个对象的分类是由其邻居的“多数表决”确定的，k个最近邻居（k为正整数，通常较小）中最常见的分类决定了赋予该对象的类别。 在k-NN回归中，输出是该对象的属性值。该值是其k个最近邻居的值的平均值。 K-NN是一种基于实例的学习，或者是局部近似和将所有计算推迟到分类之后的惰性学习。k-近邻算法是所有的机器学习算法中最简单的之一。 ARKit + Swift + k-NN 实现 创建 KNN 类（结构体 struct 也行，我是为了 与 sklearn 尽量一致）。
95500发布于 2019-04-18 - 来自专栏机器学习与统计学
100天搞定机器学习|Day7 K-NN
01 k-NN算法 K最近邻(k-Nearest Neighbor，KNN)是数据挖掘分类技术中最简单的方法之一，是机器学习中唯一一个不需要训练过程的算法。
64730发布于 2019-04-08 - 来自专栏Python 自习室
数据挖掘十大算法之 k-NN
k-NN (k-nearest neighbor) 由 Cover 和 Hart 于 1968 年提出，属于机器学习算法中的监督学习算法，可以用来解决分类和回归问题。 k-NN 的工作原理 为了对 k-NN 算法有个直观的认识，我们看个例子： [3v71xum6qx.png? k-NN 算法的工作原理是看离待分类物体最近的 k 个物体的类别，这 k 个物体的大多数属于那个类别，待分类物体也就属于那个类别。 下面我们通过 Scikit-learn 中的 k-NN 算法对鸢尾花进行分类。 下面我们通过 Scikit-learn 中的 k-NN 算法对患者是否患有糖尿病进行预测。
1.6K40发布于 2021-01-22 - 来自专栏DeepHub IMBA
HNSW算法实战：用分层图索引替换k-NN暴力搜索
代码实现详解 这个脚本演示了如何用HNSW替代UCI乳腺癌数据集上的暴力k-NN。 还使用了对照组跑暴力k-NN基线来量化速度和质量。最后通过扫描ef_search可视化帕累托曲线（展示延迟如何上升而准确率趋于平稳），画混淆矩阵。 暴力k-NN就像实习生，每次查询都得翻遍每个书架——靠谱但慢。HNSW是经验丰富的馆员，从顶层开始（粗糙的地图），直奔正确的区域。 和暴力k-NN完全一个水平。诊断质量没打折扣，但临床系统或下游应用不用再等那么久。 什么配置没起作用 更大的ef_search没换来准确率 超过32左右，准确率和F1就平了。 重点测recall@k vs精确k-NN的差距，P95/P99尾延迟，单向量内存占用。 度量和嵌入的变体 试试归一化向量+余弦距离，用自编码器替换PCA，或者测领域定制的嵌入。
55111编辑于 2025-11-15 - 来自专栏开发经验记录
K-NN算法与K-Means算法的原理与区别（附带源码示例）
KNN算法 K-Means算法 目标 确定某个元素所属的分类 将已存在的一系列元素分类 算法类别 监督的分类算法 无监督的聚类算法 数据区别 训练数据中，有明确的标签。 如：一个数据集中有几万张图片，都被打上了“苹果”的标签，另外还有几万张图片，被打上了“香蕉”的标签，数据是完全正确，知道结果的数据 几十万张各种各样水果的图片放一起，杂乱无章。 训练过程 无需训练（或者没有很明显的训练过程），将数据与训练数据直接对比 需要前期训练 K的含义 K指的是相邻数据的
1K70发布于 2018-03-14 - 来自专栏机器学习与统计学
《统计学习方法》极简笔记P3：k-NN数学推导
; 输出：实例x所属的类y (1)根据给定距离度量，训练集T中找与x最近邻的k个点，涵盖k个点的x的邻域记
56430发布于 2019-08-21 - 来自专栏AI科技大本营的专栏
教你用OpenCV实现机器学习最简单的k-NN算法
k-NN算法可以认为是最简单的机器学习算法之一。本文教你利用OpenCV 和 Python 的基础知识，实现 k-NN算法。 这正是k-NN算法将要处理的问题。 02 理解 k-NN 算法 k-NN算法可以认为是最简单的机器学习算法之一。原因是我们只需要存储训练数据集。 03 使用 OpenCV 实现 k-NN 使用OpenCV，可以很轻松地通过cv2.ml.KNearest_create()函数来创建一个k-NN模型。然后进行以下几步： 生成一些训练数据。 首先引入所有必需的模块：使用k-NN算法的OpenCV、处理数据的NumPy、用于绘图的Matplotlib。 和其他所有的机器学习函数一样，k-NN分类器也是OpenCV 3.1 中ml模块的一部分。
1K30发布于 2019-06-20 - 来自专栏华章科技
什么是k-NN算法？怎样实现？终于有人讲明白了
这正是k-NN算法能够实现的。 01 理解k-NN算法 k-NN算法可以说是机器学习算法中最简单的一个。原因是我们基本上只需要存储训练数据集。 02 用OpenCV实现k-NN 使用OpenCV，通过cv2.ml.KNearest_Create()函数我们可以很容易创建一个k-NN模型。构建模型包括下列步骤： 生成一些训练数据。 对于一个给定的数k，创建一个k-NN对象。 为我们要分类的一个新数据点找到k个最近邻。 根据多数票分配新数据点的类标签。 绘制结果。 首先，我们导入所有必要的模块：OpenCV的k-NN算法模块、NumPy的数据处理模块、Matplotlib的绘图模块。 训练分类器 与机器学习的所有其他函数一样，k-NN分类器是OpenCV 3.1 ml模块的一部分。
1.3K40编辑于 2022-04-14 - 来自专栏机器学习AI算法工程
情感极性分析：基于情感词典、k-NN、Bayes、最大熵、SVM的情感极性分析
—— sentiment analysis based on sentiment dict
1.5K40发布于 2020-07-21 - 来自专栏计算机工具
k-近邻算法概述,k-means与k-NN的区别对比
假设分类的损失函数为0-1损失函数，分类函数为 k-means与k-NN的区别对比 k-means与k-NN是经常容易被混淆的两个算法，即使是做了多年机器学习的老江湖，也可能嘴瓢或者忘记两个算法的区分。 两种算法之间的根本区别是： k-means是无监督学习，k-NN是监督学习； k-means解决聚类问题，k-NN解决分类或回归问题。 k-means算法的训练过程需要反复的迭代操作（寻找新的质心），但是k-NN不需要。 k-means中的k代表的是簇中心 k-NN的k代表的是选择与测试样本距离最近的前k个训练样本数。 k值的选择会对k-NN的结果产生重大影响。 k-NN算法没有显式的学习过程；实现k-NN时，主要考虑问题是如何对训练数据进行快速k近邻搜索。
52110编辑于 2024-12-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号