sklearn监督学习--k近邻算法
sklearn监督学习
- 一、分类与回归
- 二、泛化、过拟合与欠拟合
- 三、k近邻算法
- 四、分析KNeighborsClassifier
- 五、k近邻算法用于回归
- 优点、缺点和参数
一、分类与回归
监督学习是最常用也是最成功的机器学习类型之一。监督机器学习问题主要有两种，分别叫做分类与回归。分类问题的目标是预测类别标签，这些标签来自预定义的可选列表。分类问题有时可分为二分类（在两个类别之间进行区分的一种特殊情况）和多分类（在两个以上的类别之间进行区分）。
回归任务的目标是预测一个连续值。根据教育水平、年龄和居住地来预测一个人的年收入，这就是回归的一个例子。在预测收入时，预测值是一个金额，可以在给定范围内任意取值。
区分分类任务和回归任务有一个简单办法，就是问一个问题：输出是否具有某种连续性。如果在可能的结果之间具有连续性，那么它就是一个回归问题。
二、泛化、过拟合与欠拟合
在监督学习中，我们想要在训练数据上构建模型，然后能够对没见过的新数据做出准确预测。如果一个