第二次到达拉格朗日点(5)

不过有个风险就是，既然是预测，肯定就会有一定的风险，如果哪个三体星系统判断失误，那就意味着从这里通行的巡航舰...
大家都明白了，这时候舰长经过短暂的思考，下达了按照BIT的方案执行的命令。
实际的结果如何呢？
02—掉书袋
【1】 上述情节是对K-近邻(KNN)分类算法的一个通俗演义。
【2】 K-近邻非常容易理解：在特征空间中，若一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一类别，则该样本也属于该类别。
【3】 K-近邻与聚类的思想上有些类似，但是K-近邻是监督算法，需要知道类别标签，然后对特征空间中与对应类别相近的点统一打上此标签。

【4】这里强调一下K值的选取：如果K值选择的较小，模型容易过拟合；如果K值过大，那么模型就过于简单：下图展示了不同的K值对分类效果的影响，其中红色五边形是待分类点，也即不知道该点属于黑色圆圈类还是蓝色方块类。若K=1（红圈），意为待分类点（红色五边形）与最近的1个点类别相同，应该划分为黑色圆圈类；若K=8（蓝圈），意为五边形与最近的8个样本点的多数类相同，应该划分为蓝色方块类；若K=20（绿圈），意为五边形与最近的20个样本点的多数类相同，再次被划分为黑色圆圈类。实际结果是该点划分为蓝色方块类更合适，所以K值不能太大也不能太小。
【5】既然是“近邻”，那么需要有一个刻画远近的尺度标准，在实际应用过程中，通常采用欧氏距离作为刻画远近的标准

03—参考文献 1. 关键字：《统计学习方法》、李航
2. 关键字：《机器学习》、西瓜书、周志华
3. 关键字：coursera、K-近邻