pythonK-NN算法的优缺点

本文教程操作环境：windows7系统、Python3.9.1，DELLG3电脑。

1、优点

(1)简单而有效

(2)再培训成本低。

(3)适合跨领域的抽样。

基于KNN的方法主要依赖于附近有限个样本，而基于类域的KNN方法则不能确定其所属的类类，所以KNN方法更适合于类域有较多交叉或重叠的待分样本集。

(4)适用于各种样本量的分类。

所提出的方法适用于类域中具有较大样本容量的类动态分类，而类域中具有较大样本容量的类动态分类更易产生错误。

2、缺点

(1)是惰性学习。

KNN算法是一种懒散的学习方法(lazylearning，基本不学习)，⼀次主动学习算法速度要快得多。

(2)类评分未规格化。

不同之处在于通过概率评分进行分类。

(3)输出的可解释性较差。

比如，决策树的输出可以很好地解释。

(4)不善于处理不均衡的样品。

在样本不平衡时，例如⼀个类的样本容量很小，而其它类的样本容量很小，就有可能导致当一个新样本出现在同一K个邻域中时，在该类的K个邻域中占多数。这个算法只计算“最近的”邻域样本，其中一类样本的个数很小，那么这类样本可能与另一类样本的个数不近，或者这类样本与另一类样本的个数不近。然而，量的大小并不会影响到操作结果。对此，可采用一种改进的同位素同位素同位素同位素法(即同位素离位素同位素同位素同位素)。

以上就是pythonK-NN算法优缺点的介绍，希望能对大家有所帮助。更多Python学习教程请关注IT培训机构:千锋教育。