k近邻算法（knn）与k-means算法的对比

k近邻算法（knn）是一种基本的分类与回归的算法，k-means是一种基本的聚类方法。

k近邻算法（knn）

基本思路：如果一个样本在特征空间的k个最相似（即特征空间最邻近）的样本大多数属于某一类，则该样本也属于这一类。

影响因素：

1. k值的选择。k的值小，则近似误差小，估计误差大；k的值大，则近似误差大，估计误差小。（近似误差即算法在训练集上的误差，估计误差即算法在测试集上的误差。近似误差小，会出现过拟合的现象，即模型在训练集上预测误差小，在未知的测试集上则表现差，此时模型并非最优模型；估计误差小，则模型在未知的测试集上的误差小，模型接近于最优模型）；
2. 距离的计算。距离计算的是样本在特征空间的邻近程度，通常用欧式距离或者曼哈顿距离；
3. 分类决策规则。往往采用多数表决。

k-means算法

k-means算法的基本步骤如下：

1. 随机选择k个样本作为初始化的中心点；
2. 分别计算其它样本到这k个中心点的距离，并分别将这些样本划分给距离最近的那个中心；
3. 重新计算k类样本的均值，得到新的k个中心点；
4. 重复步骤2和3，直到样本到中心点的距离不再改变，或者迭代达到一定次数为止。

Reference:

1. https://www.cnblogs.com/PiPifamily/p/8520405.html
2. https://blog.csdn.net/weixin_37895339/article/details/78794190

原文地址：https://www.cnblogs.com/wumh7/p/9452788.html