KNN算法在训练阶段做了什么？
What does the KNN algorithm do in the training phase?
与线性回归等其他算法不同，KNN 似乎在训练阶段不执行任何计算。就像线性回归的情况一样，它在训练中找到系数 phase.But KNN 呢？
KNN属于懒惰的学习者群体。与 logistic regression、svms、neural nets 等热切学习者相反，惰性学习者只是将训练数据存储在内存中。然后，在推理过程中，它从训练数据中找到 K 个最近的邻居，以便对新实例进行分类。
在训练阶段，KNN 排列数据（某种索引过程）以便在推理阶段有效地找到最近的邻居。否则，它将不得不在推理过程中将每个新案例与整个数据集进行比较，从而使其效率非常低下。
您可以在以下位置阅读更多相关信息：https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms
KNN是instance based的方法，完全依赖于训练样例，换句话说，它会记住所有的训练样例，所以在分类的时候，只要有任何样例出现，它就会计算输入样例和所有样例之间的欧式距离训练样本，以及 returns 基于距离的最接近训练样本的标签。
Knn 是懒惰的学习者。这意味着，就像其他算法在训练阶段学习（线性回归等）一样，Knn 在训练阶段学习。它实际上只是在训练时将数据点存储在 RAM 中。
就像在线性回归的情况下，它在训练中找到系数phase.But KNN 呢？--> 在 KNN 的情况下，它在测试阶段调整它的参数。在测试阶段，它会找到参数的最优解（K 值、距离计算技术等）。
与其他在训练阶段学习并在测试阶段进行测试的算法不同，KNN 在测试阶段学习并测试参数（K 折 CV）。
距离计算->https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms
KNN python 文档->https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsClassifier.html
与线性回归等其他算法不同，KNN 似乎在训练阶段不执行任何计算。就像线性回归的情况一样，它在训练中找到系数 phase.But KNN 呢？
KNN属于懒惰的学习者群体。与 logistic regression、svms、neural nets 等热切学习者相反，惰性学习者只是将训练数据存储在内存中。然后，在推理过程中，它从训练数据中找到 K 个最近的邻居，以便对新实例进行分类。
在训练阶段，KNN 排列数据（某种索引过程）以便在推理阶段有效地找到最近的邻居。否则，它将不得不在推理过程中将每个新案例与整个数据集进行比较，从而使其效率非常低下。
您可以在以下位置阅读更多相关信息：https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms
KNN是instance based的方法，完全依赖于训练样例，换句话说，它会记住所有的训练样例，所以在分类的时候，只要有任何样例出现，它就会计算输入样例和所有样例之间的欧式距离训练样本，以及 returns 基于距离的最接近训练样本的标签。
Knn 是懒惰的学习者。这意味着，就像其他算法在训练阶段学习（线性回归等）一样，Knn 在训练阶段学习。它实际上只是在训练时将数据点存储在 RAM 中。
就像在线性回归的情况下，它在训练中找到系数phase.But KNN 呢？--> 在 KNN 的情况下，它在测试阶段调整它的参数。在测试阶段，它会找到参数的最优解（K 值、距离计算技术等）。 与其他在训练阶段学习并在测试阶段进行测试的算法不同，KNN 在测试阶段学习并测试参数（K 折 CV）。
距离计算->https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms
KNN python 文档->https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsClassifier.html