Algorithm 加权K近邻的正确实现

据我所知，经典KNN算法的工作原理如下（对于离散数据）：

• 让x成为要分类的点
• 设dist（a，b）为点a和b
• 重复训练设定点pᵢ，计算距离距离（pᵢ,x）
• 将x分类为K点（根据dist）到x之间最频繁的类别

---

如何在这个经典KNN上引入权重？我读到应该更加重视更接近的点，我读到了，但不明白这将如何应用于离散数据

对我来说，首先，使用argmax没有任何意义，如果重量增加了距离，那么距离会变得更糟。对不起，如果我在胡说八道。

好的，我可以说我不是你提供的链接的粉丝，它有图像方程，并且在图像和文本中遵循不同的符号。

---

让我们来看看常规的k-NN算法。正则k-NN实际上只是加权k-NN的一个特例。将权重1指定给k个邻居，将权重0指定给其余邻居

设Wqj表示与点j相关联的相对于点q的权重

---

设yj为与数据点j关联的类标签。为了简单起见，让我们假设我们将鸟类分类为乌鸦、母鸡或火鸡=>离散类。因此，对于所有的j，yj

考虑一个简单的例子，有三个分类（红-绿-蓝）和由R，G，B表示的六个最近邻。我将使其线性化，以简化可视化和算术

R B G x G R R

列出的带有距离的点是

class dist
  R     3
  B     2
  G     1
  G     1
  R     2
  R     3

因此，如果我们使用未加权的最近邻，简单的“投票”算法是3-2-1，支持<代码>红色。然而，在加权影响下，我们有

red_total   = 1/3^2 + 1/2^2 + 1/3^2  = 1/4 + 2/9 ~=  .47
blue_total  = 1/2^2 ..............................=  .25
green_total = 1/1^2 + 1/1^2 ......................= 2.00

。。。由于距离较近，
x
变为
绿色

下三角函数仅仅是分类函数；在这个简单的示例中，它返回
红色|绿色|蓝色
。在一个更复杂的例子中。。。好吧，我将把这留给以后的教程。
这一页已经适用于离散点。您只需将每个
K
近邻的影响除以其与
x
的距离即可。你到底被困在哪里？我被困在哪里/如何在我提到的经典算法上应用这个“影响变化”对我来说，首先，使用argmax没有任何意义，如果权重增加了距离，那么距离会变得更糟，对不起，如果我说的是废话。=>不，但您指定的权重与距离成反比。所以argmax会让老师相信一点对另一点的“影响”是距离。因此，我想知道，如果这真的是影响，为什么/如何修改它乘以某些因子距离不是原始影响，而是距离与影响成反比。so影响=距离^（-1）