文章目录
- 系列文章
- K-近邻算法
- 1 什么是K-近邻算法
-
- 1.1 K-近邻算法(KNN)概念
- 1.2 举例说明K-近邻算法
- 1.3 K-近邻算法流程总结
- 2 K-近邻算法API初步使用
-
- 2.1 Scikit-learn工具介绍
- 2.2 K-近邻算法API
- 3 距离公式
-
- 3.1 距离公式基本性质
- 3.2 常见的距离公式
-
- 欧式距离(Euclidean Distance)
- 曼哈顿距离(Manhattan Distance)
- 切⽐雪夫距离 (Chebyshev Distance)
- 闵可夫斯基距离(Minkowski Distance)
- 3.3 “连续属性”和“离散属性”的距离计算
- 4 K值的选取
- 5 KD树
-
- 5.1 KD树介绍
- 5.2 KD树案例
-
- 树的建立
- 最近邻域搜索
- 6 鸢尾花种类预测案例
-
- 6.1 数据集介绍
-
- 加载数据集
- 数据集可视化
- 数据集划分
- 6.2 特征预处理
-
- 什么是特征预处理
- 为什么要特征预处理
- 归一化
- 标准化
- 预处理的API—fit、fit_transform和transform的区别
- 6.3 流程实现
- 7 K-近邻算法优缺点
- 8 模型调优—交叉验证与网格搜索
- 9 实战案例:预测FaceBook签到位置

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/114075.html