cnn无监督分类（无监督分类算法有哪些）



 想象一下，你正在计划一个周末的户外活动，你可能会问自己几个问题来决定去哪里：

"今天天气怎么样？"如果天气晴朗，你可能会选择去公园野餐；如果天气阴沉，你可能会选择去博物馆。

这个决策过程，其实就是一个简单的分类问题，而KNN（K-Nearest Neighbors）算法正是模仿这种人类决策过程的机器学习算法。

KNN（K-Nearest Neighbors）算法是一种基本的分类与回归方法，属于监督学习范畴。它的核心思想是“物以类聚”，即相似的数据应有相似的输出。对于任意n维输入向量，分别对应于特征空间中的一个点，输出为该特征向量所对应的类别标签或预测值。

KNN算法通过测量不同特征值之间的距离来进行分类。对于一个新的输入样本，KNN算法会在训练数据集中寻找与该样本最近的K个样本（即K个邻居），然后根据这些邻居的类别来预测新样本的类别。在分类问题中，常见的做法是通过“投票法”决定新样本的类别，即选择K个邻居中出现次数最多的类别作为新样本的预测类别。

①你首先会找到几个你认识的同学（比如5个），这些同学就像是你的“邻居”，因为他们离你最近，你最容易从他们那里得到信息。

②然后，你问问这些同学他们都加入了哪些社团，可能是篮球社、舞蹈社、棋艺社等等。

③统计一下这些同学中，哪个社团被提到的次数最多。比如，有3个同学提到了篮球社，2个提到了舞蹈社。

④根据这个“投票”结果，你决定加入篮球社，因为这是被提到次数最多的社团，你觉得这个社团可能最符合你的兴趣。

在这个例子中，你就是那个“新的输入样本”，你的同学就是“训练数据集”，你选择社团的过程就是KNN算法的“分类”过程。你通过了解你周围同学的选择（即寻找最近的K个邻居），然后根据他们的选择来决定你自己的选择（即根据邻居的类别来预测你的类别）。

构建KNN模型也不是简单地像上述例子分几个步骤，需要有完整科学的流程。

KNN（K-Nearest Neighbors）算法在日常生活中的应用非常广泛，比如：

推荐系统

当你在电商平台上购物时，系统会根据你过去的购买记录和浏览习惯，推荐与你之前购买或浏览过的商品相似的其他商品。这里，KNN算法通过分析用户行为数据，找到与当前用户行为最相似的其他用户，然后推荐那些相似用户喜欢的商品。

餐厅评分

当你使用美食应用寻找餐厅时，应用可能会根据你的位置和偏好，推荐附近的高分餐厅。KNN算法在这里通过分析其他用户的评价和评分，找到与你的搜索条件最匹配的餐厅，并预测它们的受欢迎程度。

房价预测

如果你想出售或购买房屋，KNN算法可以帮助你估计房屋的价值。通过输入房屋的特征（如面积、位置、建造年份等），KNN算法会找到附近相似房屋的销售价格，然后根据这些最近邻居的价格来预测目标房屋的价格。

KNN算法与其他常见的机器学习算法相比，有独特的优势和局限性。

优势：

优势：

优势：

劣势：

优势：

劣势：

优势：

劣势：

KNN算法在，在需要处理大规模数据集、高维数据或需要更强泛化能力的场景下，可能需要考虑其他更复杂的算法。

所以在实际应用中，应该根据具体问题的数据特征、解释性需求以及计算资源等方面的考量，选择更合适的算法，提升模型的效果和应用的可行性。

KNN属于机器学习算法，在AI全体系课程中，它不仅是机器学习入门者最先接触的算法之一，也是理解其他更复杂机器学习算法的基础，对于深入学习机器学习和理解其他更高级的算法有着重要的意义。

AI体系化学习路线

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/cjjbc/25715.html