python中K-NN算法优缺点对比？相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
1、云计算，典型应用OpenStack。2、WEB前端开发，众多大型网站均为Python开发。3.人工智能应用，基于大数据分析和深度学习而发展出来的人工智能本质上已经无法离开python。4、系统运维工程项目，自动化运维的标配就是python+Django/flask。5、金融理财分析，量化交易，金融分析。6、大数据分析。
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）类别评分未规格化。
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)。
看完上述内容，你们掌握python中K-NN算法优缺点对比的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
