基于 KNN 算法识别水果种类系统的设计与实现代码大全.pdf
需积分: 23 162 浏览量
2022-10-19
14:11:54
上传
评论 9
收藏 565KB PDF 举报
题目 基于
KNN
算法识别水果种类系统的设计与实现
1
．
1
题目的主要研究内容
(1) 工作的主要描述
本报告设计了基于 KNN 算法识别水果种类系统的设计与实现，在 PyCharm
编译器上，使用 python 语言，对水果数据集进行了分类。设计的系统能够对水
果数据集进行分类并计算得到其分类的准确率，还能对其数据信息进行可视化分
析研究。
(2) KNN 算法原理
K-Nearest Neighbor(KNN)算法即 K 近邻算法，是机器学习中的一种分类算
法。KNN 算法基本原理为：通过对比待分类点在特定距离 K 内各分类的样本点
的数量，来确定待分类点的预测结果。
如图所示，某待确定蓝点落在如果所示的位置上：
待确定蓝点在
k=1
的距离范围内，被标记为
class1 的样本点的数量为 1，被标记为 class2 的样
本点的数量为
0
，因此待确定蓝点会被归类为
class1；待确定蓝点在 k=3 的距离范围内，被标
记为
class1
的样本点的数量为
4
，被标记为
class2
的样本点的数量为 5，因此待确定蓝点会被归类
为
class2
。
(3) 选用距离公式
KNN 常用使用欧式距离、曼哈顿距离、切比雪夫距离和闵可夫斯基距离作
为距离测定函数，在平时的使用中欧式距离与曼哈顿距离则更为常用一些。本系
统设计所使用的是就是欧式距离公式。
欧式距离
(Euclidean Distance)
：
n
i
iiyx
yx
1
2
,
d
）（
(4) K 值的选取
K 值在 KNN 模型中是一个超参数，需要人为为其设定大小，K 值不宜取得
过大，也不宜取得过小。当 K 取值过小时，就意味着整体模型变得复杂，容易
发生过拟合；当 K 取值过大时，就意味着整体的模型变简单，容易发生欠拟合。
剩余11页未读，继续阅读
评论0
最新资源