k近邻学习是一种常用的无监督学习方法，其工作机制为：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测（）
举一反三
- K近邻学习虽然是一种（）方法，但是它却没有显式的训练过程，而是当有新样本需要预测时，才来计算出最近的k个邻居。kNN算法的核心在于k值的选取以及距离的度量。 A: 无监督学习 B: 监督学习 C: 自适应 D: 强化学习
- K近邻方法的核心思想是对一个预测样本A，从训练数据集中找到与其最相似的k个样本，利用这个k个样本的类别来决策该样本A的类别。
- K最近邻算法步骤包括 A: 算距离：给定测试对象，计算它与训练集中的每个对象的距离 B: 找邻居：圈定距离最近的k个训练对象，作为测试对象的近邻 C: 做分类：根据这k个近邻归属的主要类别，来对测试对象分类
- k邻近分类法（k-NN）是一种基于向量空间的分类方法，将每个测试样本分到训练集中离它最近的k个样本所属类别中最多的那个类别。
- k邻近分类法（k-NN）是一种基于向量空间的分类方法，将每个测试样本分到训练集中离它最近的k个样本所属类别中最多的那个类别。