溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
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。
