KNN In MNIST
算法原理简述：
KNN的输入为实例的特征向量，对于特征空间的点，输出为实例的类别，可以取多类，KNN假设给定一个训练数据集，其中的实例类别已定。分类时，对于新的实例，根据其k个最近邻的训练实例的类别，通过多数表决的方式来进行预测；因此KNN不具有显式的学习过程。
在MNIST数据集上，我们的输入就是每个图像拉成的一维向量，在输入一个新的实例向量后，我们根据距离度量k个与该实例向量最近的点，通过k个实例中出现次数最多的类别来判断新的实例的类别。
代码如下：
|
KNN的输入为实例的特征向量，对于特征空间的点，输出为实例的类别，可以取多类，KNN假设给定一个训练数据集，其中的实例类别已定。分类时，对于新的实例，根据其k个最近邻的训练实例的类别，通过多数表决的方式来进行预测；因此KNN不具有显式的学习过程。
在MNIST数据集上，我们的输入就是每个图像拉成的一维向量，在输入一个新的实例向量后，我们根据距离度量k个与该实例向量最近的点，通过k个实例中出现次数最多的类别来判断新的实例的类别。
|