您好,登錄后才能下訂單哦!
python中K-NN算法優(yōu)缺點對比?相信很多沒有經驗的人對此束手無策,為此本文總結了問題出現(xiàn)的原因和解決方法,通過這篇文章希望你能解決這個問題。
1、云計算,典型應用OpenStack。2、WEB前端開發(fā),眾多大型網站均為Python開發(fā)。3.人工智能應用,基于大數(shù)據分析和深度學習而發(fā)展出來的人工智能本質上已經無法離開python。4、系統(tǒng)運維工程項目,自動化運維的標配就是python+Django/flask。5、金融理財分析,量化交易,金融分析。6、大數(shù)據分析。
1、優(yōu)點
(1)簡單而有效
(2)再培訓成本低。
(3)適合跨領域的抽樣。
基于KNN的方法主要依賴于附近有限個樣本,而基于類域的KNN方法則不能確定其所屬的類類,所以KNN方法更適合于類域有較多交叉或重疊的待分樣本集。
(4)適用于各種樣本量的分類。
所提出的方法適用于類域中具有較大樣本容量的類動態(tài)分類,而類域中具有較大樣本容量的類動態(tài)分類更易產生錯誤。
2、缺點
(1)是惰性學習。
KNN算法是一種懶散的學習方法(lazylearning,基本不學習),?次主動學習算法速度要快得多。
(2)類別評分未規(guī)格化。
不同之處在于通過概率評分進行分類。
(3)輸出的可解釋性較差。
比如,決策樹的輸出可以很好地解釋。
(4)不善于處理不均衡的樣品。
在樣本不平衡時,例如?個類的樣本容量很小,而其它類的樣本容量很小,就有可能導致當一個新樣本出現(xiàn)在同一K個鄰域中時,在該類的K個鄰域中占多數(shù)。這個算法只計算“最近的”鄰域樣本,其中一類樣本的個數(shù)很小,那么這類樣本可能與另一類樣本的個數(shù)不近,或者這類樣本與另一類樣本的個數(shù)不近。然而,量的大小并不會影響到操作結果。對此,可采用一種改進的同位素同位素同位素同位素法(即同位素離位素同位素同位素同位素)。
看完上述內容,你們掌握python中K-NN算法優(yōu)缺點對比的方法了嗎?如果還想學到更多技能或想了解更多相關內容,歡迎關注億速云行業(yè)資訊頻道,感謝各位的閱讀!
免責聲明:本站發(fā)布的內容(圖片、視頻和文字)以原創(chuàng)、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。