k最近邻居算法k的值

Question

我有7个类需要分类，并且iam有10个特征。在这种情况下是否需要使用k的最佳值，还是必须运行kN值在1到10之间（10左右）的KNN，并借助算法本身确定最佳值？

Answer 1

除了the article我张贴的评论有this one以及这表明：

k的

选择是非常重要的 - K值小意味着噪声会对结果较高的影响力。一个很大的值使得它在计算上花费很大，并且有点击败了KNN背后的基本原理（即接近的点可能具有类似的密度或类）。选择k的简单方法设为k = n ^（1/2）。

这将取决于你的个人情况，有时最好是贯穿每个可能的k值，并为你自己决定。

Answer 2

在K-NN算法要注意重要的是那的数量特征和类的数量都没有确定ķ的K-NN算法的价值发挥作用。 k-NN算法是用于基于距离度量对测试数据进行分类的自组织分类器，即，如果与其他类相比更接近测试样本的第一类训练样本的数量更多，则测试样本被分类为第一类训练样本。例如：如果k = 5个样本的值，则基于距离度量选择5个最接近的训练样本，然后对每个类别的大多数样本进行投票。因此，如果3个样本属于1类，2个属于5类，则该测试样本被归类为1类。因此，值k指示分类测试样本所需的训练样本的数量。

编辑你的问题，的ķ值为非参数和拇指的在选择的ķ的值的一般规则是K = SQRT（N）/ 2，其中Ñ看台您训练数据集中的样本数。我建议的另一个建议是尝试保持k odd的值，以便在选择一个类之间没有联系，但这指的是训练数据在类之间高度相关并使用简单的分类算法（例如k- NN会导致较差的分类性能。