Python 在KNN算法中，为什么测试错误率在K值较高时增加？

我得到这样的错误率高达20个值这可能是什么原因？ k_值：[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20] 错误[0.0,0.0,0.0,0.0,0.0,0.0,0.0020000000000018,0.0020000000000018,0.0020000000000018,0.0020000000000018,0.0020000000000018,0.0020000000000018,0.0020000000000000000018,0.006000000000000005,0.0040000000000000036,0.008000000000000007,0.006000000000000000000005,0.010000000009,0.0080000000000000012,0.01200000000000001] 这是我的测试错误率

---

我想知道错误率随k值增加而增加的原因？

KNN中的参数k控制着模型的复杂性。你没有给出具体问题的细节，但你可能看到的是偏见/差异的权衡。这是一本很好的读物

---

通常，在验证集中尝试模型中的不同超参数值（KNN中的K值），并保留最佳值。请注意，此验证集与测试集不同

KNN中的K表示考虑的最近邻的数量。因此，考虑的邻国越多，对最终结果的影响就越大。这是有道理的，虽然更多的邻居采取，更多的元素，不同的类别也采取。这可能会导致错误分类，尤其是对于簇边界上的元素

另一个要考虑的例子是两个不平衡的簇-一个簇有5个元素，第二个簇有20个。当K=10时，来自第一个集群的所有元素将被分类为第二个集群。另一方面，如果簇很好地分开，K=3将产生更好的结果

---

结果的确切原因将取决于集群的数量、位置、密度和基数

K值越高，数据集中的大多数类对结果的影响越大，因此错误率越高

假设有100个数据点，80个属于类标签“0”，20个属于类标签“1”

现在，如果我选择k>40的任何值，所有数据点现在都将属于多数类

---

通常情况下，较大的K值会导致在同一时间的拟合不足。非常小的K值（尽管有特定问题）会导致拟合过度

请提供一个源代码示例。