k 近邻(kNN)

根据最靠近的训练实例进行预测。

输入

• 数据：输入数据集
• 预处理器：预处理方法

输出

• 学习器：kNN 学习算法
• 模型：训练有素的模型

功能

k 近邻(kNN) 小部件使用kNN算法在特征空间中搜索k个最近的训练示例并将其平均值用作预测。

界面

1. 一个名称，该名称将出现在其他小部件中。 默认名称是“k近邻(kNN)”。
2. 设置最近邻居的数量，距离参数（度量）和权重作为模型标准。
   • 度量可以是：
     • 欧几里得（“直线”，两点之间的距离）
     • 曼哈顿（所有属性的绝对差之和）
     • 最大值（属性之间的绝对最大差异）
     • Mahalanobis（点与分布之间的距离）。
   • 可以使用的 权重 是：
     • 统一：每个邻域中的所有点均被同等加权。
     • 距离：查询点附近的邻居比远处的邻居影响更大。
3. 发送报告
4. 勾选 “自动应用” 以自动传送对其他小部件的更改，并在连接学习数据后立即训练分类器。 或者，在配置后按 “应用”。

示例

第一个示例是对 iris 数据集的分类任务。 我们将k 近邻(kNN) 的结果与默认模型常量预测(Constant)进行比较，该模型始终会预测多数分类。

第二个示例是回归任务。 此工作流程显示了如何使用 k 近邻(kNN) 输出。 出于本示例的目的，我们使用了 housing 数据集。 我们将 k 近邻(kNN) 预测模型输入到预测(Predictions)中，并观察预测值。

反馈问题

文档有问题? 或者有其他意见和建议? 请在本文档的 Github 仓库直接反馈

点我反馈

进入反馈页面不知道如何反馈, 请点击这里