优点

pythonk-近邻算法简单，易于理解，易于实现，无需参数估计，无需训练，即可以用来做分类也可以用来做回归

和朴素贝叶斯算法比，对数据没有假设，准确度高，对异常值不敏感(个别噪音数据对结果的影响不是很大)

适合对稀有事件进行分类，也可以用于非线性分类

适合于多分类问题(multi-modal，对象具有多个类别标签)，KNN要比SVM表现好

训练时间复杂度比支持向量机之类的算法低，仅为O(n)

由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合

该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易误分

缺点

对测试样本分类时的计算量大，内存开销大，因为对每个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点，目前常用的解决方法是对已知的样本点进行剪辑，事先要去除对分类作用不大的样本

可解析性差，无法告诉你哪个变量更重要，无法给出决策树那样的规则

k值的选择：最大的缺点是当样本不平衡时，如一个类的样本容量很大，而其他样本容量很小时候，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。该算法只计算“最近的”邻居样本，某一类的样本数量很大的时候，那么或者这类样本并不接近目标样本，或者这类样本很靠近目标样本。无论如何，数量并不影响运行结果，可以采用权值的方法(和该样本距离小的邻居权重大)来改进

KNN是一种消极学习方法，懒惰算法，导致预测时速度比起逻辑回归之类的算法慢

相对于决策树模型，KNN模型可解释性不强

KD树，球树之类的模型建立需要大量的内存

以上内容为大家介绍了Pythonk-近邻算法的优缺点，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注IT培训机构:千锋教育。

上一篇

基于 Python K-近邻算法的手写识别系统

下一篇

Python 类的私有属性和方法