2-4 经典机器学习算法-K近邻算法KNN，KNN与K-means之间的区别和联系，KNN平衡方差和偏差，Python实现KNN

1、什么是K近邻算法(K-NN)?
2、K-NN与K-means之间有什么区别和联系？
3、在K-NN算法中如何平衡方差和偏差？
4、在K-NN算法中如何选择K值的大小？
5、请用Python实现一个简易版本的KNN分类算法？

1、什么是K近邻算法(K-NN)?

KNN、Kmeans、层次聚类几个需要注意的点_记录与分享AI资料与学习过程-CSDN博客

2、K-NN与K-means之间有什么区别和联系？

联系：都基于样本距离的计算以及K值的学习方式，都需要指定重要超参数K

区别：KNN监督学习 Kmeans无监督聚类，本身就是两种不同的机器学习方法，KNN也可以用于回归，而Kmeans只用于聚类；KNN的K指的是K个样本，而Kmeans中指的是K个类别与聚类中心

3、在K-NN算法中如何平衡方差和偏差？

主要通过选取合适的K值来平衡，K选的小容易受噪声或异常值影响，结果方差大；K选的大容易受到不相干点的影响，偏差大

4、在K-NN算法中如何选择K值的大小？

本身就是监督学习算法，可以通过交叉验证选择合适的K值，然后对于K的选择情况下的badcase，根据决策规则进一步优化

或者通过经验设定，如基于特征数量、样本数量的经验设定

5、请用Python实现一个简易版本的KNN分类算法？

（1）设置K值，定义距离公式，计算样本点和数据集中各个样本的距离

（2）获取距离最近的K样本

（3）根据决策方式投票得到结果

计算样本点和数据集中各个样本的距离的实现：KD树实现最佳，不行就用最小堆，实在不行就调sort()