knime python（python K-NN算法的优缺点）
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) 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！