R语言机器学习算法实战系列（六）K-邻近算法 (K-Nearest Neighbors)
禁止商业或二改转载，仅供自学使用，侵权必究，如需截取部分内容请后台联系作者!
文章目录
-
- 介绍
-
- 教程
- 下载数据
- 加载R包
- 导入数据
- 数据预处理
- 数据描述
- 数据切割
- 调节参数
- 构建模型
- 预测测试数据
- 评估模型
-
- 模型准确性
- 混淆矩阵
- 模型评估指标
- ROC Curve
- PRC Curve
- 保存模型
- 总结
- 系统信息
介绍
K-邻近算法（K-Nearest Neighbors，简称KNN）是一种基本且广泛使用的分类和回归方法。它的工作原理非常简单直观：通过测量不同特征值之间的距离来进行预测。
算法原理：
KNN算法的核心思想是“物以类聚”，即相似的样本点在特征空间中距离较近，因此可以通过查找一个样本点的最近邻居来预测该样本点的类别或属性。
步骤：
- 确定K值： 选择一个正整数K，它代表在特征空间中最近的邻居的数量。
- 距离度量： 确定一个距离度量方法来计算样本点之间的距离。常用的距离度量方法包括欧氏距离、曼哈顿距离和闵可夫斯基距离等。
- 特征空间： 将数据集中的每个样本点表示为特征空间中的一个点。
- 查询点： 对于一个新的查