← 返回卡片

原书出处

数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow

11 第11章 机器学习模型可解释性 11.2 常见的可解释模型

核验版本的摘录快照 · 导入于 2026-11-14T09:43:22.283Z

KNN算法的结果在很大程度上取决于k的选择,因此最棘手的问题是如何找到合适的k及如何测量实例之间的距离,从而最终确定邻域。对于k值的选择,没有一个固定的方法,一般是根据样本的分布,选择一个较小的值,再通过交叉验证选择一个合适的k值。若k值过小,模型训练的误差虽然会小,但模型的鲁棒性会较弱,容易导致过拟合;反之,若k值过大,泛化误差减小,会导致模型欠拟合。

此预览只包含定位所需的摘录和上下文。

原书定位详情

来源:a19c7933-4eda-4176-aebd-30fe7e1ad292

正文位置:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0062.xhtml

EPUB SHA-256:b9d74c3cb9a87547f425283a2273004c2d73de2c2b50ebf97c2ab3336ae5d102