KNN算法 KNN算法 KNN算法

k-近邻算法也被称为k近邻分类（k-nearest neighbor classification）方法。它是一种基于实例的学习方法（instance-based learning），其核心思想是通过计算测试实例与训练实例之间的距离来确定其类别归属。具体而言，在处理新输入数据时，则直接与存储的所有训练样本进行比较。如果存在相同属性或特征的训练样本，则会根据这些样本的类别标签进行预测。该方法的一个显著优点是无需显式特征提取或模型构建；然而其缺点在于计算效率较低，并且容易受到噪声数据的影响。

其核心机制是从训练集中识别与新数据最接近的k条记录，并基于这些实例的主要分类来确定新数据所属类别。该方法涵盖三个关键要素：基于训练集的选择、不同距离度量的应用以及参数k的选择。

下面通过一个简单的例子来看下

通过KNN算法算出唐人街探案是属于哪种类型的电影

过程：

必须在KNN算法开始前执行数据清理步骤，并将异常值及野值视为可能对分析结果产生负面影响的因素；其中，在本案例中由于样本数量有限，可能无需进行深度的数据清理工作

必须在KNN算法开始前执行数据清理步骤 并将异常值及野值视为可能对分析结果