详细内容或原文请订阅后点击阅览
机器学习“降临节日历”第一天：Excel 中的 k-NN 回归器
降临节日历的第一天介绍了 k-NN 回归器，这是最简单的基于距离的模型。使用 Excel，我们探讨了预测如何完全依赖于最接近的观测值、为什么特征缩放很重要，以及异构变量如何使距离变得毫无意义。通过具有连续和分类特征的示例（包括加州住房和钻石数据集），我们看到了 k-NN 的优点和局限性，以及为什么定义正确的距离对于反映现实世界的结构至关重要。机器学习“降临日历”第一天：Excel 中的 k-NN 回归器一文首先出现在《走向数据科学》上。
来源:走向数据科学到 Excel 中的机器学习和深度学习的“降临日历”。
Excel 中机器学习和深度学习的“降临日历”第 1 天，我们从 k-NN（k 最近邻）回归算法开始。正如您将看到的，这确实是最简单的模型，也是一个很好的开始方式。
对于那些已经了解该模型的人，这里有一些问题要问您。希望它们能让您想继续阅读。还有一些传统课程中没有教授的微妙课程。
- 连续特征的缩放对于该模型重要吗？如何处理分类特征？应该对连续特征做什么以提高模型性能？在某些情况下哪些类型的距离度量更适合？例如，在预测房价时，地理位置很重要？
剧透：使用简单的 k-NN，您无法自动获得理想的缩放。
剧透：如果您不熟悉 Excel 公式，这也是一个使用 RANK、IF、SUMPRODUCT 等公式以及其他有用的 Excel 函数的机会。
您可以使用此链接获取 Excel/Google Sheet 文件，我的建议是您按照本文进行操作，并对文件进行一些测试以更好地理解。
此链接k-NN原理
如果您想出售或购买一套公寓，您会如何估算价格？
请考虑一种非常现实的方法，而不是一些需要花费数小时来构建的复杂模型。
一些你可以真正做的事情。
嗯，您可能会询问您的邻居是否拥有相同或相似大小的公寓。然后你计算这些公寓的平均值。