python K-NN算法优点

（1）简单而有效

（2）再培训成本低。

（3）适合跨领域的抽样。

基于KNN的方法主要依赖于附近有限个样本，而基于类域的KNN方法则不能确定其所属的类类，所以KNN方法更适合于类域有较多交叉或重叠的待分样本集。

（4）适用于各种样本量的分类。

所提出的方法适用于类域中具有较大样本容量的类动态分类，而类域中具有较大样本容量的类动态分类更易产生错误。

python K-NN算法缺点

（1）是惰性学习。

KNN算法是一种懒散的学习方法(lazylearning，基本不学习)，⼀次主动学习算法速度要快得多。

（2）类别评分未规格化。

不同之处在于通过概率评分进行分类。

（3）输出的可解释性较差。

比如，决策树的输出可以很好地解释。

（4）不善于处理不均衡的样品。

在样本不平衡时，例如⼀个类的样本容量很小，而其它类的样本容量很小，就有可能导致当一个新样本出现在同一K个邻域中时，在该类的K个邻域中占多数。这个算法只计算“最近的”邻域样本，其中一类样本的个数很小，那么这类样本可能与另一类样本的个数不近，或者这类样本与另一类样本的个数不近。然而，量的大小并不会影响到操作结果。对此，可采用一种改进的同位素同位素同位素同位素法(即同位素离位素同位素同位素同位素)。

以上就是python K-NN算法优缺点的介绍，希望能对大家有所帮助。