数据挖掘实验报告
数据挖掘实验报告是指通过对数据进行挖掘和分析，获取有价值的信息和知识的过程。该实验报告主要介绍了 K- 最临近分类算法的应用和实现。
数据理解是数据挖掘的第一步，通过对数据的了解和分析，可以获取有价值的信息和知识。在这个实验报告中，选择了 Iris 数据集作为实验数据，该数据集共有 150 组数据，每组数据有 5 个属性，分别是：sepallength、sepal width、petal length、petal width 和 class。
数据清理是数据挖掘的第二步，目的是为了去除不需要的数据，填充缺失的值，光滑噪声和识别离群点。在这个实验报告中，没有考虑噪声数据，而是直接忽略了缺失值。
K-最临近分类算法（KNN）是数据挖掘中的一种常用的分类算法，该算法的主要思想是通过计算未知样本与已知样本之间的距离，来确定未知样本的类别。KNN 算法的优点是可以避免样本不平衡问题，但计算量较大。
K-最临近分类算法的算法思路是：首先，将所有的训练样本存放起来，然后当新的未知样本需要分类时，搜索模式空间，找出最接近未知样本的 K 个训练样本，这 K 个训练样本是未知样本的 K 个“近邻”。然后，统计 K 个最近邻样本中的每个类标号出现的次数，选择出现频率最大的类标号作为未知样本的类标号。
K-最临近分类算法的算法步骤是：
1. 初始化距离为最大值
2. 计算未知样本和每个训练样本的距离
3. 得到目前 K 个最临近样本中的最大距离
4. 如果距离小于最大距离，则将该训练样本作为 K-最近邻样本
5. 重复步骤 2、3、4，直到未知样本和所有训练样本的距离都算完
6. 统计 K-最近邻样本中的每个类标号出现的次数
7. 选择出现频率最大的类标号作为未知样本的类标号
K-最临近分类算法的优点是可以较好地避免样本不平衡问题，且可以适用于样本容量较大的类域的自动分类。但是，该算法的计算量较大，对于大规模数据集可能需要较长时间来计算。
数据挖掘实验报告主要介绍了 K-最临近分类算法的应用和实现，并对该算法的优缺点进行了分析。
