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)    
    
    
    
 。