KNN的优点有

KNN的优点有

邻近算法的优点 -
1.简单，易于理解，易于实现，无需估计参数，无需训练；2. 适合对稀有事件进行分类；3.特别适合于多分类问题(multi-modal,对象具有多个类别标签)，kNN比SVM的表现要好。
KNN算法的优点具体体现在六点，第一就是对数据没有假设，准确度高，对outlier不敏感。第二就是KNN是一种在线技术，新数据可以直接加入数据集而不必进行重新训练。第三就是KNN理论简单，容易实现。第四就是理论成熟，思想简单，既可以用来做分类也可以用来做回归。第五就是可用于非线性分类。第六就是训是什么。
knn和kmeans的区别与联系 -
而KNN则是基于距离的分类算法，它通过计算待分类项与数据集中每个项的距离，然后根据距离最近的K个数据点的分布，进行分类。KNN的优点在于其对异常值和噪声有较好的鲁棒性，但缺点在于需要大量存储空间和计算时间。两者的联系在于它们都是基于距离的算法，都试图通过距离来描述数据间的关系。但它们的应用等会说。
每一种模型都有一些它独有的属性方法（模型的技能，能做些什么事），下面我们来了解下knn算法常用的的属性方法。6.knn算法的优缺点 优点： 简单，效果还不错，适合多分类问题 缺点： 效率低（因为要计算预测样本距离每个样本点的距离，然后排序），效率会随着样本量的增加而降低。
es向量搜索插件-knn -
1. knn向量检索插件使用过下面两个插件 优点：相对elastiknn，该插件支持把底层生成hnsw一个结构加载进内存，376w数据，768纬度向量，搜索性能在300-400ms左右缺点：#160;1.该插件需要基于nmslib生成一个c的so文件，该文件比较依赖底层操作好了吧！
优点： 精度高，对异常值不敏感，无数据输入假定； KNN 是一种在线技术，新数据可以直接加入数据集而不必进行重新训练； KNN 理论简单，容易实现。缺点： 对于样本容量大的数据集计算量比较大，即计算复杂度高； 必须保存全部数据集，即空间复杂度高； KNN 每一次分类都会重新进行一次说完了。
机器学习的优缺点 -
优点：1、简单，易于实现，易于理解，无需参数估计。2、训练时间为0，它没有显式的训练，不像其他有监督的算法会用到train，然后验证集或测试集用该模型分类，KNN只是把样本保存起来，收到测试数据时再处理，所以KNN训练时间为0。3、KNN可以处理多分类问题，适合对稀有事件进行分类。4、特别适合多分类等我继续说。
KNN：优点：思想简单，理论成熟，既可以用来做分类也可以用来做回归；可用于非线性分类；训练时间复杂度为O(n)；准确度高，对数据没有假设，对outlier不敏感。缺点：计算量大；样本不平衡时的问题；需要大量的内存；未归一化时影响很大。SVM：优点：可用于线性/非线性分类，也可以用于回归；低泛化误差还有呢？

猜你感兴趣： KNN的优点有()   KNN的优点有哪些   knn的优缺点   knn算法的缺点   knn特征重要性   knn的基本原理   knn算法原理及优缺点   knn的应用   knn算法的适用范围   knn例子