k-Nearest Neighbors
Nach den ähnlichsten Beispielen klassifizieren
k-Nearest Neighbors ist eine kostenlose Data Science Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Data Science Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Judged by Your Neighbors
k-Nearest Neighbors classifies a point by looking at the examples closest to it. Birds of a feather end up in the same class. 🐦
No Real Training
kNN is a lazy learner: it just memorizes the data. The real work happens later, when a new point asks for a label.
Measure the Distance
To find who is near, the model computes a distance to every training point, most often plain straight-line distance.
Take a Vote
The closest k neighbors each cast a vote. Whichever class wins the majority becomes the prediction for the new point.
k Is the Key Choice
The letter k is how many neighbors you consult. It is the one knob that most shapes how kNN behaves.
Small k, Jumpy Borders
A tiny k, like 1, follows every wiggle in the data and reacts to noise, giving jagged, overfit boundaries.
Large k, Smoother Calls
A big k averages over many points for smoother decisions, but too large and it blurs the real differences between classes.
Scaling Is Not Optional
Distance is unfair if one feature spans thousands and another spans tenths. Always scale features so each counts equally.
Build the Classifier
Create it like any estimator and pick your n_neighbors right away. Here we consult the five closest points.
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=5)Fit, Then Predict
The familiar contract still applies: fit stores the data, predict finds neighbors and votes on the answer.
model.fit(X_train, y_train)
model.predict(X_test)Watch the Cost
kNN is simple but can be slow at prediction time, since every guess compares the new point to all stored examples.
Quick Check
Let's pin down the parameter that defines kNN.
Recap
kNN predicts by letting the closest k neighbors vote. Choose k with care and scale your features, and it works well. 🎯
Häufig gestellte Fragen
Ist die Lektion „k-Nearest Neighbors“ kostenlos?
Ja — der vollständige Text von „k-Nearest Neighbors“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Data Science Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „k-Nearest Neighbors“?
Nach den ähnlichsten Beispielen klassifizieren Du übst Data Science Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Data Science Academy zu starten?
Keine Vorkenntnisse erforderlich. Data Science Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „k-Nearest Neighbors“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Data Science Academy-Lektion Code schreiben und ausführen?
Ja. Jede Data Science Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Logistische Regression für Ja oder Nein
- k-Nearest Neighbors
- Entscheidungsbäume und Random Forests
- Grundlagen des Gradient Boosting