k-means和knn算法的區(qū)別？分類中：KNN（k-最近鄰）訓練階段：記住所有點測試階段：計算新點a和原始數(shù)據(jù)預測中每個點之間的歐氏距離：找到離點a最近的k點，看哪個分類點k點屬于最多，然后將a點劃

k-means和knn算法的區(qū)別？

分類中：KNN（k-最近鄰）訓練階段：記住所有點測試階段：計算新點a和原始數(shù)據(jù)預測中每個點之間的歐氏距離：找到離點a最近的k點，看哪個分類點k點屬于最多，然后將a點劃分為該類的缺點：測試階段耗時太多SVM（支持向量機）與機器學習的區(qū)別在于logistic回歸更像分類算法。不同的是logistic回歸采用logistic損失，支持向量機采用后驗損失。這兩個損失函數(shù)的目的是增加對分類影響較大的數(shù)據(jù)點的權重，減少與分類關系較小的數(shù)據(jù)點的權重。支持向量機是稀疏的，因為它通過支持向量機。Logistic回歸通過使用權重來降低異常值的權重。

k-means算法和knn算法的區(qū)別？

K-means聚類算法是HCM（普通的硬c-means聚類算法），這是一種硬劃分方法，結果不是1就是0，沒有其他情況，具有“非此即彼”的性質(zhì)。

隸屬度矩陣為u。FCM是HCM算法對模糊情況的推廣，用于模糊分類，并給出隸屬度的權重。