我正在通过“使用Python进行机器学习简介：数据科学家指南”这本书教自己机器学习，而我目前正处于k-Nearest Neighbors部分 . 作者提到，由于“预测缓慢且无法处理许多特征”，该算法在现实生活中很少使用 . 然而，在许多文章中，k-Nearest Neighbors被称为数据科学家最流行的算法之一 . 那么，有人可以在这里为我解释一下吗？
K-最近邻居在机器学习中有很多应用，因为k-最近邻居解决了问题的本质 . 换句话说，k-最近邻居的问题是基本的，并且它被用在许多解决方案中 . 例如，在诸如tSNE的数据表示中，为了运行算法，我们需要根据预定义的困惑来计算每个点的k-最近邻居 .
此外，您还可以在this article的最后一页找到更多kNN here的应用及其在行业中的应用 .
KNN算法是用于文本分类或文本挖掘的最流行的算法之一 . 另一个有趣的应用是评估森林清单和估算森林变量 . 在这些应用中，使用卫星图像，目的是用很少的离散类映射土地覆盖和土地利用 . k-NN方法在农业中的其他应用包括气候预测和土壤水分参数估算 . KNN在金融领域的其他一些应用如下所述：预测股票市场：根据公司业绩指标和经济数据预测股票价格 . 货币汇率银行破产了解和管理金融风险交易期货信用评级贷款管理银行客户分析洗钱分析医学预测因心脏病发作住院的患者是否会再次发生心脏病 . 预测应基于该患者的人口统计，饮食和临床测量 . 根据该人血液的红外吸收光谱估算糖尿病患者血液中的葡萄糖含量 . 根据临床和人口统计学变量确定前列腺癌的危险因素 . KNN算法也被用于分析微阵列基因表达数据，其中KNN算法已经与遗传算法相结合，遗传算法被用作搜索工具 . 其他应用包括预测蛋白质分子中的溶剂可及性，检测计算机系统中的入侵，以及移动物体（例如具有无线连接的计算机）的数据库的管理 .
1 回答
K-最近邻居在机器学习中有很多应用，因为k-最近邻居解决了问题的本质 . 换句话说，k-最近邻居的问题是基本的，并且它被用在许多解决方案中 . 例如，在诸如tSNE的数据表示中，为了运行算法，我们需要根据预定义的困惑来计算每个点的k-最近邻居 .
此外，您还可以在this article的最后一页找到更多kNN here的应用及其在行业中的应用 .