優(yōu)點

pythonk-近鄰算法簡單，易于理解，易于實現(xiàn)，無需參數(shù)估計，無需訓(xùn)練，即可以用來做分類也可以用來做回歸

和樸素貝葉斯算法比，對數(shù)據(jù)沒有假設(shè)，準(zhǔn)確度高，對異常值不敏感(個別噪音數(shù)據(jù)對結(jié)果的影響不是很大)

適合對稀有事件進行分類，也可以用于非線性分類

適合于多分類問題(multi-modal，對象具有多個類別標(biāo)簽)，KNN要比SVM表現(xiàn)好

訓(xùn)練時間復(fù)雜度比支持向量機之類的算法低，僅為O(n)

由于KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合

該算法比較適用于樣本容量比較大的類域的自動分類，而那些樣本容量較小的類域采用這種算法比較容易誤分

缺點

對測試樣本分類時的計算量大，內(nèi)存開銷大，因為對每個待分類的文本都要計算它到全體已知樣本的距離，才能求得它的K個最近鄰點，目前常用的解決方法是對已知的樣本點進行剪輯，事先要去除對分類作用不大的樣本

可解析性差，無法告訴你哪個變量更重要，無法給出決策樹那樣的規(guī)則

k值的選擇：最大的缺點是當(dāng)樣本不平衡時，如一個類的樣本容量很大，而其他樣本容量很小時候，有可能導(dǎo)致當(dāng)輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數(shù)。該算法只計算“最近的”鄰居樣本，某一類的樣本數(shù)量很大的時候，那么或者這類樣本并不接近目標(biāo)樣本，或者這類樣本很靠近目標(biāo)樣本。無論如何，數(shù)量并不影響運行結(jié)果，可以采用權(quán)值的方法(和該樣本距離小的鄰居權(quán)重大)來改進

KNN是一種消極學(xué)習(xí)方法，懶惰算法，導(dǎo)致預(yù)測時速度比起邏輯回歸之類的算法慢

相對于決策樹模型，KNN模型可解釋性不強

KD樹，球樹之類的模型建立需要大量的內(nèi)存

以上內(nèi)容為大家介紹了Pythonk-近鄰算法的優(yōu)缺點，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓(xùn)機構(gòu):千鋒教育。