Algorithm 邻域数KNN算法

我在matlab中应用KNN算法对手写数字进行分类。这些数字最初是矢量格式的8*8，并拉伸以形成矢量1*64。所以每次我比较第一个数字和所有其他数据集（相当大），然后第二个数字和其他数据集等等。现在我的问题是，1个邻居不总是最好的选择吗？既然我使用的是欧几里德距离，（我选择了更近的一个），既然我得到了最接近的数字，为什么还要选择2到3个邻居呢

---

谢谢

您必须考虑噪音。假设您的一些分类示例可能分类错误，或者其中一个与其他示例非常接近，这是不同的，但实际上只是一个“小故障”。在这些情况下，根据这个偏离轨道的示例进行分类可能会导致错误

根据个人经验，通常k=3/5/7时会获得最佳结果，但这取决于实例

如果您想获得最佳性能，应该使用top，为您的特定实例选择最佳的

k

---

此外，对于KNN，通常只使用奇数作为

k

，以避免“绘制”

演示ML KNN算法的简单程序

Knn算法的工作原理是用一组数据训练计算机，并传递输入以获得预期的输出。一个家长想训练他的孩子去识别“兔子”的图片，在这里父母会显示一张兔子的照片，如果照片是兔子的话，我们会喊兔子，否则我们会继续前进，这样在这个方法中，通过给一组数据输入一个监控来得到预期的输出

。

from sklearn.neigbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as np
df=pd.read_csv("D:\\heart.csv")
new_data{"data":np.array(df[["age","gende","cp","trestbps","chol","fbs","restecg","thalach","exang","oldpeak","slope","ca","thal"]],ndmin=2),"target":np.array(df["target"]),"target_names":np.array(["No_problem","Problem"])}
X_train,X_test,Y_train,Y_test=train_test_split(new_data["data"],new_data["target"],random_state=0)
kn=KNeighborsClassifier(n_neighbors=3)
kn.fit(X_train,Y_train)
x_new=np.array([[71,0,0,112,149,0,1,125,0,1.6,1,0,2]])
res=kn.predict(x_new)
print("The predicted k value is : {}\n".format(res))
print("The predicted names is : {}\n".format(new_data["target_names"][res])
print("Score is : {:.2f}".format(kn.score(X_train,Y_train)))

---

假设你有一个7写错了，看起来和你正在检查的1一模一样。你得到了错误的结果。现在，在5场最好的比赛中，有多大可能出现7秒多于1秒的情况？伙计们，获得90.21%的成功是正常的吗？在一个1593位的数据集上？@TestTest我不是图像识别专家，我通常将ML用于其他目的，但90.2%对我来说很好。伙计们，获得90.21%的成功是正常的吗？在1593位数据集上？