knn算法的分類原理是()。a待分類的樣本類別是具有最多K個樣本的類別。

k近鄰法？k-k-最近鄰(k-NN)是壹種基本的分類和回歸方法。它是數據挖掘技術中最簡單的算法之壹，其核心功能是解決監督分類問題。KNN可以快速高效地解決基於特殊數據集的預測分類問題，但它不產生模型，因此算法的精度不具有很強的普適性。

k近鄰法？的輸入是實例的特征向量，對應於特征空間中的點；輸出是實例的類別，它可以包含多個類別。

k近鄰法？三個基本要素:K？值選擇、距離度量和分類決策規則。

算法流程:

1，計算訓練樣本和測試樣本中每個樣本點的距離(常見的距離度量有歐氏距離、馬氏距離等。);

2、對上述所有距離值進行排序；

3、選擇距離最小的前k個樣本；

4、根據K個樣本的標簽進行投票，得到最終的分類類別；

輸入:訓練數據集t = \ {(x _ 1，\ y _ 1)，(x _ 1，\ y _ 1)，\ cdots，(x _ n，\ y _ n)。

x_i在哪裏？是實例的特征向量。y_i？是實例的類別，I = 1，2，\ cdots，n。

輸出:實例x？它屬於哪壹類？y .

(1)根據給定的距離度量，在訓練集中？t？發現然後呢？x？最近點，覆蓋這個？k？訂購？x？的鄰域被表示為N_k(x)。

(2)在N_k(x)中？根據分類決策規則(如多數決策)3？x？的範疇？y .

y = \mathop {arg\，max}_{c_j}\sum_{x_i\in .N_k(x)=1}I(y_i=c_j)，\\i=1，2，\cdots，N；\，\，j=1，2，\cdots，K \\ .

其中，我？對於指示器功能，即？y_i = c_j？什麽時候？我？是1，否則呢？我？是0。