python K-NN算法优缺点

本文教程操作环境：windows7系统、Python 3.9.1，DELL G3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的方法主要依赖有限数量的临近样本，而基于类域的KNN方法无法确定其所属的类，因此KNN方法更适用于重叠较多的待划分样本集或重叠的类域。

（4）适用于各种样本量的分类。

所提方法适用于类域中样本量较大、更容易出错的类动态分类。

2、缺点

（1）是惰性学习。

KNN算法是一种惰性学习方法（lazylearning，基本不学习），主动学习算法的速度要快很多。

（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。

当样本不平衡时，比如一个类的样本量小，而其他类的样本量小，可能会导致同一个K邻域出现新样本时，该类的K个邻居占多数在域中。该算法只计算“最近”的邻域样本，而某一类的样本数很少，因此该类的样本数可能与另一类的样本数不接近，或者该类的样本数不多本类与另一类样本不接近。但是，金额的大小并不影响操作的结果。在这方面，可以使用改进的同位素方法（即同位素同位素同位素同位素同位素）。

以上就是python K-NN算法优缺

点的介绍，希望能对大家有所帮助。

更多Python学习指路: