KNN與K-Means的區別與相似點
算法性質不同：
- KNN爲可監督的分類算法；
- K-Means是無監督的聚類算法；
輸入數據不同：
- KNN輸入的數據是帶label的正確的數據；
- K-Means輸入的是雜亂無章的無label的數據，經過聚類處理後數據纔會有一定的規律，由無序到有序；
前期訓練過程不同：
- KNN屬於memony based learning，沒有明顯的前期練過程；
- K-Means有明顯的前期訓練過程；
K的含義不同：
- KNN中K的含義：來了一個樣本x，要給它分類，即求出它的y，就從數據集中，在x附近找離它最近的K個數據點，這K個數據點，類別C佔的個數最多，就把x的labe設爲C；
- K-Means中K的含義：K是人爲設定的數字，是根據先驗知識假設數據集合可以分爲K個簇。K的確定需要先險知識的配合；
兩者的相似點：
- 運算過程都是給定一個點，在數據集中找離它最近的點。即二者都用到了NN（Nears Neighbor）算法，一般用KD樹來實現NN過程；