1.KNN算法是采用测量不同特征值之间的距离方法进行分类。
2.优缺点：
优点：精度高，对异常值不敏感，无数据输入假定。
缺点：计算复杂度大，空间复杂度高。
使用数据范围：数值型和标准型
3.工作原理：
存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中的数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最邻近）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-邻近算法中k的出处，通常k是不大于20的整数。最后选取k个最相似数据中出现次数最多的分类，作为新数据的分类。
4.KNN算法的一般处理流程：
（1）收集数据：可以使用任何方法
（2）准备数据：距离计算所需要的数值，最好是结构化的数据格式
（3）分析数据：可以使用任何方法
（4）训练算法：此步骤不适用于KNN算法
（5）测试算法：计算错误率
（6
![[译]技术公司十年经验的职场生涯回顾](https://img8.php1.cn/3cdc5/24912/711/b6574f3292f9dc00.png)
京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有