K-近邻算法

算法思想：首先计算预测的点与所有的点的距离，然后从小到大排序取前K个最小的距离对应的点，统计前K个点对应的label的个数，取个数最大的label作为预测值

 

 K邻居分类器：简单地在训练数据中找到与测试样本“最相似”(特征空间中的“邻居”)的样本，然后为测试样本赋予与“最相似”的相同标签训练样本。

使用曼哈顿距离（L1）来衡量图片的相似性。

 采用CIFAR10，效果如下

 效果并不是很好。

K-近邻分类器在图片上的局限性：

①测试时非常慢

②像素的距离度量没有信息量

③维度限制

第三点如何理解 

总结：在图像分类中，首相要设置一组图像和标签的训练集，并且必须在测试集预测上

          K-近邻 分类器根据最近的训练示例预测标签

          距离度量和 K 是超参数

          使用验证集选择超参数； 最后只在测试集上运行一次

标签：标签,近邻,样本,距离,分类器,算法,测试
来源： https://blog.csdn.net/ckq707718837/article/details/121699228