Machine learningMachine learning
正则化k近邻算法
正则化k近邻算法（Regularized k-Nearest Neighbors, kNN）通过引入正则化机制——最常见的是基于核的距离加权或带宽控制——来扩展经典的近邻算法。这些机制能够平滑预测、降低对k值选择的敏感度，并减小方差。其结果是，对于表格数据上的分类和回归任务，可以获得一个更稳定、校准更佳的实例学习器。
阅读完整方法
仅限会员
登录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。
来源
- Cover, T. & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27. DOI: 10.1109/TIT.1967.1053964 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 13). Springer. ISBN: 978-0-387-84858-7
如何引用本页
ScholarGate. (2026, June 3). Regularized k-Nearest Neighbors (Kernel-Weighted kNN). ScholarGate. https://scholargate.app/zh/machine-learning/regularized-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 →