对于偶数 K 值和平局，KNN 的 class 会预测什么？
What would be predicted class of KNN for an even value of K and in case of a tie?
在KNN (K nearest neighbour)个分类器中，如果选择了偶数的K值，那么在多数表决规则或欧氏距离规则下的预测是什么。例如如果有 3 类 say
- 山鸢尾
- 杂色鸢尾
- 弗吉尼亚鸢尾
现在假设我们的值为 n_neighbors = 6。有相当多的机会获得多数投票规则的平局结果？在大多数可视化中，该区域以白色表示，表示无法做出决定。但是平局的实际预测是什么。这个问题很难模拟并且相当概念化，因此可能不会那么容易模拟。
n_neighborssolves/reduces的奇数也有这个问题吗？您认为 euclidean/Manhattan 距离比使用简单多数表决更能解决这个问题吗？然而 sklearn docs 根本没有提到这一点。
由于您使用的是多数表决，因此当两个 类 标签获得相同分数时，为最近的邻居选择奇数值可以解决问题。
经过一番挖掘，我得到了一些不错的答案。首先让我告诉你，正如@anasvaf 等一些用户提到的，你应该只使用奇数进行二进制 class 化。这是绝对不真实的。首先，当我们对二进制 class 化使用多数表决时，在某些情况下，完全取决于实际库来选择操作。例如，在 scikit-learn 中，它采用变量的模式。这意味着如果在训练数据集中，class 1 的数据点数量更多，那么 1 将用于平局。但是有更好的解决办法。
我们可以使用加权 KNN 代替普通 KNN。在加权 KNN 中，如果有平局，我们可以看到 1 个标记数据点与 k 个点和 0 个标记点的总距离。如果 1 的总距离更大，则 class 将为 0，反之亦然。
在 KNN 中还有其他很好的技术来处理关系，但老实说，KNN 并不是一个好的学习算法，特别是因为它在大型数据集上的时间复杂度 space。
在KNN (K nearest neighbour)个分类器中，如果选择了偶数的K值，那么在多数表决规则或欧氏距离规则下的预测是什么。例如如果有 3 类 say
- 山鸢尾
- 杂色鸢尾
- 弗吉尼亚鸢尾
现在假设我们的值为 n_neighbors = 6。有相当多的机会获得多数投票规则的平局结果？在大多数可视化中，该区域以白色表示，表示无法做出决定。但是平局的实际预测是什么。这个问题很难模拟并且相当概念化，因此可能不会那么容易模拟。
n_neighborssolves/reduces的奇数也有这个问题吗？您认为 euclidean/Manhattan 距离比使用简单多数表决更能解决这个问题吗？然而 sklearn docs 根本没有提到这一点。
由于您使用的是多数表决，因此当两个 类 标签获得相同分数时，为最近的邻居选择奇数值可以解决问题。
经过一番挖掘，我得到了一些不错的答案。首先让我告诉你，正如@anasvaf 等一些用户提到的，你应该只使用奇数进行二进制 class 化。这是绝对不真实的。首先，当我们对二进制 class 化使用多数表决时，在某些情况下，完全取决于实际库来选择操作。例如，在 scikit-learn 中，它采用变量的模式。这意味着如果在训练数据集中，class 1 的数据点数量更多，那么 1 将用于平局。但是有更好的解决办法。
我们可以使用加权 KNN 代替普通 KNN。在加权 KNN 中，如果有平局，我们可以看到 1 个标记数据点与 k 个点和 0 个标记点的总距离。如果 1 的总距离更大，则 class 将为 0，反之亦然。
在 KNN 中还有其他很好的技术来处理关系，但老实说，KNN 并不是一个好的学习算法，特别是因为它在大型数据集上的时间复杂度 space。