（1）算法简单，理论成熟，可用于分类和回归。

（2）对异常值不敏感。

（3）可用于非线性分类。

（4）比较适用于容量较大的训练数据，容量较小的训练数据则很容易出现误分类情况。

（5）KNN算法原理是根据邻域的K个样本来确定输出类别，因此对于不同类的样本集有交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为合适。

（6）对数据类型（图片，文本，视频）不做限制

缺点：

（1）时间复杂度和空间复杂度高。（训练复杂度为0，但测试耗时，需要计算很多距离，还要相应存储，再选出最小的k个距离）

（2）训练样本不平衡，对稀有类别的预测准确率低。

（3）相比决策树模型，KNN模型可解释性不强。

三、KNN模型

---

k近邻模型对应一个特征空间划分。每个样例是最小的单元，对应一个类别。

要点：

（1）距离度量Distance metric

（2）k值的选择Choice of k value

（3）分类规则Classification decision rule

1. 距离度量（Distance metric）

Lp距离： xi是n维空间向量，其距离就是对应分量相减的p次方之和再开平方。

当p=2 欧几里得距离

当p=1 曼哈顿距离

当p=无穷大 切比雪夫距离

三者之间的关系

2. k值的选择（Choice of k value）

如果选择较小的k值: “学习”的近似误差减小，而“学习”的估计误差增大。噪声敏感，k值的降低意味着整个模型变得复杂，容易出现过拟合。

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数前端工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Web前端开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注前端）

文末

我一直觉得技术面试不是考试，考前背背题，发给你一张考卷，答完交卷等通知。

首先，技术面试是一个 认识自己 的过程，知道自己和外面世界的差距。

更重要的是，技术面试是一个双向了解的过程，要让对方发现你的闪光点，同时也要 试图去找到对方的闪光点，因为他以后可能就是你的同事或者领导，所以，面试官问你有什么问题的时候，不要说没有了，要去试图了解他的工作内容、了解这个团队的氛围。

前端面试题汇总

JavaScript

性能

linux

前端资料汇总

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

b5b1b4b6aa26129a.png)

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
[外链图片转存中…(img-Z2wh53to-1712618380294)]