2019-02-26
阅读量:
836
K值怎么选择？
问、K值怎么选择？
答：
K值的选择会对K近邻法的结果产生重大影响．
如果选择较小的K值，就相当着于用较小的邻域中的训练实例进行预测，“学习”的近似误差会减小，只有与输入实例较近的（相似的）训练实例才会对预测结果起作用．但缺点是“学习＂的估计误差会增大，预测结果会对近邻的实例点非常敏感。如果邻近的实例点恰巧是噪声， 预测就会出错．换句话说，K值的减小就意味着整体模型变得复杂，容易发生过拟合．
如果选择较大的K值，就相当于用较大邻域中的训练实例进行预测．其优点是可以减少学习的估计误差．但缺点是学习的近似误差会增大．这时与输入实例较远的（不相似的）训练实例也会对预测起作用，使预测发生错误.k值的增大就意味着整体的模型变得简单．
如果k=N,那么无论输入实例是什么，都将简单地预测它属千在训练实例中最多的类．这时，模型过于简单，完全忽略训练实例中的大量有用信息，是不可取的．
在应用中，K值一般取一个比较小的数值．通常采用交叉验证法来选取最优的K值．
0.0000
0
2
关注作者
收藏
评论(0)
发表评论
暂无数据
推荐帖子
CDA持证人阿涛哥
2023-10-12
0条评论
anqiyqi
2023-10-08
0条评论
CDA持证人阿涛哥
2023-09-14
0条评论