KNN

我在做研究时使用到了较多的机器学习算法，KNN算是使用较多的，于是我完整总结了以下KNN，让大家了解了解。

K-Nearest Neighbors (KNN) 是一种简单且直观的监督学习算法，又名K近邻算法，通常用于分类和回归任务。

它的基本思想是：给定一个新的数据点，算法通过查看其最近的 K 个邻居来决定这个点所属的类别（分类）或预测其值（回归）。

KNN 不需要显式的训练过程，而是直接在预测时利用整个训练数据集。

算法逻辑步骤如下：

• 步骤1选择参数 K，即最近邻居的数量。
• 步骤2计算新数据点与训练数据集中所有点之间的距离。常用的距离度量包括欧氏距离、曼哈顿距离、切比雪夫距离等。
• 步骤3根据计算出的距离，找出距离最近的 K 个点。
• 步骤4对于分类问题，通过对这 K 个点的类别进行投票，选择得票最多的类别作为新数据点的预测类别。对于回归问题，计算这 K 个点的平均值，作为新数据点的预测值。
• 步骤5返回预测结果。