簡單來說K-近鄰算法采用測量不同特征值之間的距離方法進行分類。

K最近鄰(k-NearestNeighbor，KNN)，是一種常用于分類的算法，是有成熟理論支撐的、較為簡單的經典機器學習算法之一。該方法的基本思路是：如果一個待分類樣本在特征空間中的k個最相似(即特征空間中K近鄰)的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別，即近朱者赤，近墨者黑。顯然，對當前待分類樣本的分類，需要大量已知分類的樣本的支持，其中k通常是不大于20的整數(shù)。KNN算法中，所選擇的鄰居都是已經正確分類的對象。該方法在定類決策上只依據(jù)最近鄰的一個或者幾個樣本的類別來決定待分樣本所屬的類別。因此KNN是一種有監(jiān)督學習算法。

簡單的例子解釋KNN算法

最簡單最初級的分類器時將全部的訓練數(shù)據(jù)所對應的類別都記錄下來，當測試對象的屬性和某個訓練對象的屬性完全匹配時，便可以對其進行分類，但是怎么可能所有測試對象都會找到與之完全匹配的訓練對象呢，其次就是存在一個測試對象同時與多個訓練對象匹配，導致一個訓練對象被分到了多個類的問題，基于這些問題呢，就產生了KNN。

下面通過一個簡單的例子說明一下：綠色圓要被決定賦予哪個類，是紅色三角形?還是藍色四方形?如果K=3，由于紅色三角形所占比例為2/3，綠色圓將被賦予紅色三角形所屬的類，如果K=5,由于藍色四邊形比例為3/5，因此綠色圓被賦予藍色四邊形類。

由此也說明了KNN算法的結果很大程度取決于K的選擇。

以上內容為大家介紹了PythonK-近鄰算法概述，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。