k近鄰算法中k值得選擇
k值得選擇會對k近鄰的結果產生重大的影響 若是選擇較小的K值，就至關於用較小的鄰域中的訓練實例進行預測，「學習」的近似偏差會減少，只有輸入實例較近的訓練實例纔會對預測結果起做用。但缺點是「學習」的估計偏差會增大，預測結果會對近鄰實例點很是敏感。若是鄰近的實例點恰巧是噪聲，預測就會出錯。換句話說，k值得減少就意味着總體模型很是複雜，容易發生過擬合 若是選擇較大的k值，就至關於用較大鄰域中的訓練實
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。