knn算法使用场景(人工智能算法分类)

KNN算法在识别算法中是比较简单的。 举个例子很容易理解。 如果有9个人的话，手里拿着分别写着1到9的数字的卡片。

例如，假设第一个人有数字1，第二个人有数字2，第九个人有数字9。 那么，现在规定拥有数字1到3的3人是红队，4到6是黄队，7到9是蓝队

现在又来了一个人。 他有1到9的随机数。 他应该分成哪个队？ 那个人说，那个还很难分，属于哪个区间就分成哪个队好呢？

话虽如此，但机器有点难，而且有各种各样的数据，有时无法一一分类。 有些事情是我们意想不到的。 例如，这个过来人拿了一把笨叉子，把卡搞错了，拿了一张写着10的卡来。 那台机器不是不能玩了吗！

此时KNN算法发挥作用。 它规定，把新来的人所拥有的数字和这些人所拥有的数字之差(即距离)与：进行比较，取差距最小的前k人。 就是看这个人拥有的数字离这九个人中哪个k人最近。 这个k人大多分成哪个队，他就分成哪个队？

例如设k为3，新来的人取数字4，这9个人取的1到9的数字中，前3个取与数字4最接近的数字，分别为：4、5、3。 这三个数中持四五张牌的人被黄队分开，只有持牌三的人被红队分开。 那么，这三个人中，最多能分到黄队的有两个人，因为新来的人会分到黄队。 同上，如果这个人有牌，数字是10的话，当然会分到蓝队。

那么，我们把这个算法标准化后写在了：上

对于未知类属性的数据集中的每个点，依次执行以下操作：

1 .计算已知类别数据集中的点与当前点之间的距离。

2 .按距离升序排序。

3 .选择距当前点距离最小的k个点。

4 .确定前k个点所在类别的出现频率。

5 .将出现前k个积分频率最高的类别作为当前点的预测分类返回。

通常，数据集内的点由特征向量表示，而特征向量是多维的。 点和点之间的距离要求向量之间的欧式距离。 欧式距离计算如下

两个n维相位量

和

欧式距离如下：

更多内容请关注微信公众号： IT部门说