维博520
2020-08-04 阅读量: 1411
K值较小,模型复杂度就会较高,容易过拟合,学习的估计误差会增大,预测结果对近邻的实例点会比较敏感.
K值较大,模型复杂度较低,容易导致欠拟合,但可以减少学习的估计误差,会增大学习的近似误差,因为与输入实例较远的训练实例也会对预测起作用,从而使预测错误.
所以,在应用中,K值一般取一个比较小的值,通常K是不超过20的整数,通常采用交叉验证法来选取最优的K值.
以上仅限个人观点,如有不足,还望交流指出,感谢~