Algorithm k-最近邻算法在现实生活中使用较多吗？

我通过《Python机器学习入门：数据科学家指南》一书自学机器学习，目前我在k-近邻部分。作者提到，由于“预测速度慢且无法处理许多特征”，该算法在现实生活中很少使用。然而，在许多文章中，k-最近邻被称为数据科学家最流行的算法之一。那么，有人能在这里给我解释一下吗？

K-最近邻在机器学习中有很多应用，因为问题的本质是由K-最近邻来解决的。换言之，k-最近邻问题是一个基本问题，在很多解中都有应用。例如，在tSNE等数据表示中，要运行该算法，我们需要根据预定义的复杂度计算每个点的k最近邻

此外，您可以在的最后一页找到kNN的更多应用及其在行业中的应用

KNN算法是最流行的算法之一 用于文本分类或文本挖掘的算法

另一个有趣的应用是森林评估 用于估算森林变量的清单和数据。在里面 在这些应用中，使用卫星图像 土地覆盖和土地利用的测绘目标 离散类。k-NN的其他应用 农业中的方法包括气候预测和 估算土壤水分参数

KNN在金融中的一些其他应用包括 如下所述：

• 预测股票市场：预测股票的价格 股票，以公司业绩为基础 措施和经济数据
• 货币汇率
• 银行破产
• 理解和管理财务风险
• 期货交易
• 信用评级
• 贷款管理
• 银行客户档案
• 洗钱分析

医学

• 预测患者是否因疾病而住院 心脏病发作，将有第二次心脏病发作。这个 预测将基于人口统计、饮食 以及该患者的临床测量结果
• 估计患者血液中的葡萄糖含量 糖尿病患者，由红外线吸收 那个人的血液光谱
• 确定前列腺癌的危险因素， 基于临床和人口统计学变量

KNN算法也得到了应用 用于分析微阵列基因表达数据， 其中KNN算法与 作为搜索工具的遗传算法。 其他应用包括溶剂的预测 蛋白质分子中的可及性 计算机系统中的入侵和管理 移动对象（如计算机）的数据库 使用无线连接

---

大多数情况下，在无监督学习中，基本方法是有意义的。更准确地说，当您的数据非常少，并且您需要特定的预测，如具有共同特征的前n项，那么这是最基本的方法。