k-th nearest neighbor
又簡稱KNN，是Supervised learning 的一種，看英文意思很簡明扼要，就是K個最相近的鄰居。
因此這個演算法在實作時，會找到附近K個最近的點，來判斷自己要歸在哪一類。
雖然說他是監督式學習的一種，但是他並不用去訓練參數，而是把資料都儲存起來做資料分類。
我們可以藉由增加K的數值來增加此演算法的noise margin。
此演算法會有著儲存空間大以及導致空間複雜度高的問題，還有著容易被數據不平衡所影響。
在這個問題的實作上就是算點到點之間的距離，因此我們使用Scipy的函數來實作，為了方便取K值等於1，並且拿來和SKlearn的KNN比較。
想法是用for迴圈來取test data對於每個train data的最近距離，那他就會是最近train data 的 label
準確率
sklearn knn : 0.973333333
手刻 knn : 0.9466666
Data Charging Station 
發表留言