如何手工计算knn的准确率？
How to calculate the accuracy by hand for knn?
我目前正在学习一些机器学习，我知道如何计算不同数据点之间的欧氏距离；但是，我想知道是否有人知道如何手动计算准确度，以便查看哪个 k 值作为“k”的选择是最好的？
我知道如何实施基本的 python 类 来为我计算准确度，但我也想学习如何手动计算。我试着用谷歌搜索它，但它们都只显示 python 实现。
例如，假设您只有 8 个数据点，4 个红色和 4 个橙色；例如，我选择 k = 3 并得到 2 个红色和 1 个橙色（因此新数据点被归类为红色）。现在我要计算这个K值的准确度？
准确度是：
Accuracy = (TP + TN)/(TP + TN + FP + FN)
根据this wikipedia article二进制class化，你的问题是什么。您可以将“红色”定义为正数，或将“橙色”定义为正数。但这在这里并不重要。假设我们将“红色”定义为正 class.
那么在上面公式的上下文中：
- TN：表示真阴性（被class化为橙色并且实际上是橙色的点）
- TP：表示真阳性（被class化为红色并且确实是红色的点）
- FN：表示漏报（class化为橙色，但实际上是红色的点）
- FP：表示误报（被class化为红色，但实际上是橙色的点）
所以你甚至可以使公式更简单，因为 TN+TP+FN+FP 是总点数， TP+TN 是正确 class 化的点数（KNN 预测正确).
我目前正在学习一些机器学习，我知道如何计算不同数据点之间的欧氏距离；但是，我想知道是否有人知道如何手动计算准确度，以便查看哪个 k 值作为“k”的选择是最好的？
我知道如何实施基本的 python 类 来为我计算准确度，但我也想学习如何手动计算。我试着用谷歌搜索它，但它们都只显示 python 实现。
例如，假设您只有 8 个数据点，4 个红色和 4 个橙色；例如，我选择 k = 3 并得到 2 个红色和 1 个橙色（因此新数据点被归类为红色）。现在我要计算这个K值的准确度？
准确度是：
Accuracy = (TP + TN)/(TP + TN + FP + FN)
根据this wikipedia article二进制class化，你的问题是什么。您可以将“红色”定义为正数，或将“橙色”定义为正数。但这在这里并不重要。假设我们将“红色”定义为正 class.
那么在上面公式的上下文中：
- TN：表示真阴性（被class化为橙色并且实际上是橙色的点）
- TP：表示真阳性（被class化为红色并且确实是红色的点）
- FN：表示漏报（class化为橙色，但实际上是红色的点）
- FP：表示误报（被class化为红色，但实际上是橙色的点）
所以你甚至可以使公式更简单，因为 TN+TP+FN+FP 是总点数， TP+TN 是正确 class 化的点数（KNN 预测正确).