Machine learningMachine learning

集成 K-近邻算法

集成 K-近邻算法 (Ensemble K-Nearest Neighbors) 结合了多个 KNN 模型——每个模型都使用不同的 k 值、距离度量、特征子集或数据自举进行训练——并通过多数表决（分类）或平均（回归）来聚合它们的预测。该方法降低了任何单一 KNN 模型固有的高方差，并在表格数据上产生更稳定、更准确的预测。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

方法图谱

相关方法的邻域——选择一个节点以展开探索。

集成 K-近邻算法

Bagging（Bootstrap Aggreg…集成决策树集成支持向量机随机森林投票集成 (Voting Ensemble)

来源

Domeniconi, C., & Yan, B. (2004). Nearest neighbor ensemble. In Proceedings of the 17th International Conference on Pattern Recognition (ICPR), Vol. 1, pp. 228–231. IEEE. DOI: 10.1109/ICPR.2004.1334065 ↗
Zhou, Z.-H. (2012). Ensemble Methods: Foundations and Algorithms. Chapman and Hall/CRC. ISBN: 978-1-4398-3003-1

如何引用本页

ScholarGate. (2026, June 3). Ensemble K-Nearest Neighbors (Aggregated KNN). ScholarGate. https://scholargate.app/zh/machine-learning/ensemble-k-nearest-neighbors

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

并排比较 →

发现本页有问题？报告或提出修改建议 →