2021年1月28日晚9时，山东大学土建与水利学院“科研我当先”实践团队线上进行第三次内容分享。会议由龚陈博同学主持，全体成员参加。
本次交流由龚陈博同学主讲，他关于机器学习中的KNN算法进行了深入浅出的分享。
K近邻法（k-nearest neighbor，KNN）是一种基本的机器学习方法，在我们平常的生活中也会不自主的应用，就是“物以类聚，人以群分”。比如，我们判断一个人的人品，只需要观察他来往最密切的几个人的人品好坏就可以得出了。这里就是运用了KNN的思想。KNN方法既可以做分类，也可以做回归，这和决策树算法相同。
KNN做回归和分类的主要区别在于最后做预测时候的决策方式不同。KNN做分类预测时，一般是选择多数表决法，即训练集里和预测的样本特征最近的K个样本，预测为里面有最多类别数的类别。而KNN做回归时，一般是选择平均法，即最近的K个样本的样本输出的平均值作为回归预测值。
此外龚陈博同学说明了KNN算法的三个要素：
1. K值的选取
2. 距离的度量
3. 分类决策规则
并且用C++提供了一个样例的相关代码进行测试：
最后，龚陈博同学讲了KNN算法的一些缺陷：
1、效率低，因为每一次分类或者回归，都要把训练数据和测试数据都算一遍，如果数据量很大的话，需要的算力会很惊人，但是在机器学习中，大数据处理又是很常见的一件事。
2、对训练数据依赖度特别大，虽然所有机器学习的算法对数据的依赖度很高，但是KNN尤其严重，因为如果训练数据集中，有一两个数据是错误的，刚刚好又在需要分类的数值的旁边，这样就会直接导致预测的数据的不准确，对训练数据的容错性太差
3、维数灾难，KNN对于多维度的数据处理也不是很好。
通过此次龚陈博同学的分享，团队成员了解了机器学习中KNN算法的相关知识，拓展了知识。本次会议分享持续了三十分种，对于非本专业的学生是一次很好的学习机会。
http://www.dxswb.com/shijian/337541.html 点此复制本页地址
