典型的近鄰分析方法

❶ 掌握 arcgis 中近鄰分析工具，並解釋近鄰分析工具和生成鄰表工具間的異同

優化的熱點分析使用從輸入數據特徵中派生的參數來執行熱點分析 (Getis-Ord Gi*) 工具。
數碼相機的自動設置根據光線以及拍攝主體與背景對比度的讀數來確定合適的光圈、快門速度和焦點，與此類似，優化的熱點分析工具對數據進行查詢，從而獲得產生最佳熱點結果的設置。

❷ 鄰近分析和緩沖區分析區別

緩沖區分析是鄰近度分析的一種。
緩沖區分析是鄰近度分析的一種，緩沖區是為了識別某一地理實體或空間物體對其周圍地物的影響度而在其周圍建立具有一定寬度的帶狀區域。
緩沖區分析是用來確定不同地理要素的空間鄰近性和鄰近程度的一種重要的空間分析操作。

❸ 旅遊學中有關近鄰效應的實例分析

近鄰效應
正效應即這一旅遊目的地因其他旅遊目的地的出現而對遠處客源地產生更強的吸引力,比如雲南麗江,單單一個小鎮,後來發展了好多如,黑龍潭旅遊,梅里雪山,虎跳峽等
負效應即這一旅遊目的地因其他旅遊目的地的出現而對遠處客源地吸引力減弱，旅遊者在空間移動中產生分流。
比如寶雞,咸陽的旅遊景點會減少遊客因為西安太有名

❹ SPSS分類分析 最近鄰元素分析

SPSS分類分析：最近鄰元素分析
一、最近鄰元素分析（分析-分類-最近鄰元素）
1、概念：根據個案間的相似性來對個案進行分類。類似個案相互靠近，而不同個案相互遠離。因此，通過兩個個案之間的距離可以測量他們的相似性。相互靠近的個案稱為「鄰元素。」當出現新個案（保持）時，將計算它與模型中每個個案之間的距離。計算得出最相似個案–最近鄰元素–的分類，並將新個案放入包含最多最近鄰元素的類別中。
2、變數：（分析-分類-最近鄰元素-變數）
◎目標（可選）。如果未指定目標（因變數或響應），則過程僅查找k個最近鄰元素–而不會執行任何分類或預測。◎標准化刻度特徵。標准化特徵具有相同的值范圍，這可改進估計演算法的性能。使用經調整後的標准化[2*(x min)/(max min)]1。調整後的標准化值介於1和1之間。◎焦點個案標識（可選）。這可以標記感興趣的個案。例如，研究員希望確定學區的測驗分數–焦點個案–是否與類似學區的測驗分數相當。他使用最近鄰元素分析來查找在給定特徵組方面最相似的學區。然後，他將焦點學區的測驗分數與最近鄰學區的分數進行比較。◎個案標簽（可選）。在特徵空間圖表、對等圖表和象限圖中使用這些值來標記個案。
3、相鄰元素：（分析-分類-最近鄰元素-相鄰元素）
1）最近鄰元素的數目(k)。指定最近鄰元素的數目。注意，使用大量的鄰元素不一定會得到更准確的模型。2）距離計算。該度規用於指定在測量個案相似性中使用的距離度規。◎Euclidean度規。兩個個案x和y之間的距離，為個案值之間的平方差在所有維度上之和的平方根。◎城市街區度規。兩個個案之間的距離是個案值之間絕對差在所有維度上之和。又稱為Manhattan距離。
4、特徵：（分析-分類-最近鄰元素-特徵）
如果在「變數」選項卡中指定了目標，使用「特徵」選項卡可以為特徵選擇請求或指定選項。默認情況下，特徵選擇會考慮所有特徵，但可以選擇特徵子集以強制納入模型。
中止准則。在每一步上，如果添加特徵可以使誤差最小（計算為分類目標的誤差率和刻度目標的平方和誤差），則考慮將其納入模型中。繼續向前選擇，直到滿足指定的條件。◎指定的特徵數目。除了那些強制納入模型的特徵外，演算法還會添加固定數目的特徵。指定一個正整數。減少所選擇的數目值可以創建更簡約的模型，但存在缺失重要特徵的風險。增加所選擇的數目值可以涵蓋所有重要特徵，但又存在因特徵添加而增加模型誤差的風險。◎絕對誤差比率的最小變化。當絕對誤差比率變化表明無法通過添加更多特徵來進一步改進模型時，演算法會停止。指定一個正數。減少最小變化值將傾向於包含更多特徵，但存在包含對模型價值不大的特徵的風險。增加最小變化值將傾向於排除更多特徵，但存在丟失對模型較重要的特徵的風險。最小變化的「最佳」值將取決於您的數據和具體應用。請參見輸出中的「特徵選擇誤差日誌」，以幫助您評估哪些特徵最重要。
5、分區（分析-分類-最近鄰元素-分區）
使用「分區」選項卡可以將數據集劃分為培訓和堅持集，並在適當時候將個案分配給交叉驗證折。
1）訓練和堅持分區。此組指定將活動數據集劃分為訓練樣本或堅持樣本的方法。訓練樣本包含用於訓練最近鄰元素模型的數據記錄；數據集中的某些個案百分比必須分配給訓練樣本以獲得一個模型。堅持樣本是用於評估最終模型的獨立數據記錄集；堅持樣本的誤差給出一個模型預測能力的「真實」估計值，因為堅持個案不用於構建模型。◎隨機分配個案到分區。指定分配給訓練樣本的個案百分比。其餘的分配給堅持樣本。◎使用變數分配個案。指定一個將活動數據集中的每個個案分配到訓練或堅持樣本中的數值變數。變數為正值的個案被分配到訓練樣本中，值為0或負值的個案被分配到堅持樣本中。具有系統缺失值的個案會從分析中排除。分區變數的任何用戶缺失值始終視為有效。
2）交叉驗證折。V折交叉驗證用於確定「最佳」鄰元素數目。因性能原因，它無法與特徵選擇結合使用。交叉驗證將樣本劃分為許多子樣本，或折。然後，生成最近鄰元素模型，並依次排除每個子樣本中的數據。第一個模型基於第一個樣本折的個案之外的所有個案，第二個模型基於第二個樣本折的個案之外的所有個案，依此類推。對於每個模型，估計其錯誤的方法是將模型應用於生成它時所排除的子樣本。「最佳」最近鄰元素數為在折中產生最小誤差的數量。◎隨機分配個案到折。指定應當用於交叉驗證的折數。該過程將個案隨機分配到折，從1編號到V（折數）。◎使用變數分配個案。指定一個將活動數據集中的每個個案分配到折中的數值變數。變數必須為數值，其值為從1到V的數字。如果此范圍中的任何值缺失，且位於任何拆分上（如果拆分文件有效），這將導致誤差。
3）為Mersenne扭曲器設置種子。設置種子允許您復制分析。使用此控制項類似於將「Mersenne扭曲器」設為活動生成器並在「隨機數生成器」對話框中指定固定起始點，兩者的重大差別在於在此對話框中設置種子會保留隨機數生成器的當前狀態並在分析完成後恢復該狀態。
二、結果說明（運行後的結果解釋）
1、模型視圖：在「輸出」選項卡中選擇圖表和表時，過程會在查看器中創建「最近鄰元素模型」對象。激活（雙擊）該對象，可獲得模型的互動式視圖。此模型視圖有2個面板窗口：◎第一個面板顯示模型概覽，稱為主視圖。◎第二個面板顯示兩種視圖類型之一
2、特徵空間：特徵空間圖表是有關特徵空間（如果存在3個以上特徵，則為子空間）的互動式圖形。每條軸代表模型中的某個特徵，圖表中的點位置顯示個案這些特徵在培訓和堅持分區中的值。
3、變數重要性：通常，您將需要將建模工作專注於最重要的變數，並考慮刪除或忽略那些最不重要的變數。變數重要性圖表可以在模型估計中指示每個變數的相對重要性，從而幫助您實現這一點。由於它們是相對值，因此顯示的所有變數的值總和為1.0。變數重要性與模型精度無關。它只與每個變數在預測中的重要性有關，而不涉及預測是否精確。
4、對等：該圖表顯示焦點個案及其在每個特徵和目標上k個最近鄰元素。它僅在「特徵空間」圖表中選擇了焦點個案時可用。
5、最近鄰元素距離：該表只顯示焦點個案的k個最近鄰元素與距離。它僅當在「變數」選項卡上指定了焦點個案標識符時可用，且僅顯示由此變數標識的焦點個案。
6、象限圖：該圖表顯示焦點個案及其在散點圖（點圖，取決於目標的測量級別）上k個最近鄰元素。目標在y軸上，刻度特徵在x軸上，按特徵劃分面板。它僅當存在目標，且在「特徵空間」圖表中選擇了焦點個案時可用。
7、特徵選擇誤差日誌：對於該圖表上的點，其y軸值為模型的誤差（誤差率或平方和誤差，取決於目標的測量級別），x軸上列出模型的特徵（加上x軸左側的所有特徵）。該圖表僅當存在目標，且特徵選擇有效時可用。
8、K選擇誤差日誌：對於該圖表上的點，其y軸值為模型的誤差（誤差率或平方和誤差，取決於目標的測量級別），x軸上為最近鄰元素數目（k)。該圖表僅當存在目標，且k選擇有效時可用。
9、分類表：該表顯示按分區對目標觀察與預測值的交叉分類。它僅當存在分類目標時可用。堅持分區中的（缺失）行包含在目標上具有缺失值的堅持個案。這些個案對「堅持樣本：整體百分比」有貢獻，但對「正確百分比」無影響。

❺ 測定近鄰星系和星系團的距離有什麼方法

測定近鄰星系和星系團的距離，科學家們就要用更先進的方法，如造父變星法。在用火箭發射哈勃空間望遠鏡(HubbleSpaceTeleScope，以下簡稱HST)以前，造父變星差不多被用做測定本星系群內星系距離的尺碼。ＨＳT的發射，使得用此法測量近鄰星系團的距離成為可能。

但是，仍有一些區域，造父變星顯得太暗，此技術難以應用，科學家被迫實行一些猜測的方法。例如，塔利一費希爾（Tully－Ｆisher）關系—一個關於星系的絕對亮度與其光譜中一特殊譜線（如紅光波長的）寬度之間的關系的觀測原理，有時被用來測定星系的距離。在測量宇宙的大尺度區間時，比較普遍採用的辦法是利用星系的退行速度與距離之間的哈勃定律比例關系，測量一個星系（或星系團）的譜線向紅端移動的量，觀測者就能估計該星系離我們多遠。哈勃1929年的發現即現在所說的哈勃定律告訴我們，所有遙遠的星系都在以直接與其距我們距離成比例的速度遠離我們而去。換句話說，如果某星系距銀河系的距離是另一個星系的兩倍，則我們將會發現該星系遠離我們而去的速度也會是兩倍。羅伯特?賈斯特羅(NASA戈達德研究所的創始人，現在為哈勃曾實現其絕大多數發現的威爾遜山天文台的領導者)寫到：「哈勃定律科學史上最偉大的發現之一：它是對創世紀的科學性的主要支持證據之一。」

宇宙學家用一個稱作哈勃常數的數字(通常記作H0)來表示速度/距離之間的精確關系。H0是一個很關鍵的數值，因為如果我們能夠將該數值確定下來則我們就能確定宇宙的大小和年齡。在確定哈勃常數方面各方還沒有形成一致的意見，因此宇宙學家目前認定宇宙的年齡大致處在80～200億年之間(這也意味著宇宙的直徑有80～200億光年)。在哈勃常數還未有較可靠的值以前，該定律只能提供相對的距離值。

用於大尺度距離測量的尺碼，從視差到造父變星到光譜方法加在一起的「雜燴」叫作宇宙距離階梯。科學家們用此階梯，一級一級地從比較熟悉的近鄰恆星爬向遠方的星系團及類星體。當新的測量棒經過考驗可用時，該階梯便被加固了一些並延伸出去，成為艱難地步步高升連接到宇宙深處的梯子。

除了距離測量問題外，當天文學家們企圖繪制可見宇宙的天圖時，還遇到另一個因難：需要探索的領域令人難以置信的廣闊，潛在的能用望遠鏡視察的空間的體積超過幾十億光年的立方1031(光年)3，這裡面充斥著數百億個星系（它們中的大多數是ＨＳT近來發現的）。要做出它們的目錄，恐怕需要花費幾百年時間。

與此同時，人類一項重要的探空計劃在進行中。如哈佛一施密松天體物理中心（ＣfＡ）的蓋勒和赫克拉所做的是獲得可見宇宙內有代表性的截面中的信息。打算用對這部空間的觀測結果，提供星系在宇宙中是如何分布的粗放的概念。

計劃中第一個有代表性的天區的圖像，是赫克拉和拉普蘭特在1985年春季繪制出來的。他們測定了位於一個6度寬的狹長天區內大約1100個星系在空間的位置。選取如此大小的空間觀測，是為了能在較短的時間里完成巡查任務。

在開始巡查時，蓋勒和她的同事們並未希望見到宇宙中大尺度有序狀態的證據。事實上，他們原來想像巡天工作將揭示出一個勻稱紋理的宇宙。相信它們將看到星系團均勻地分布在天空，就像少量的葡萄乾均勻地分布在葡萄乾麵包里那樣。但實際看到的卻是確鑿無疑的星系分布的稀奇的式樣。星系和星系團不是隨機（雜亂）分布，而是表現為組成的、紡錘式的弦（帶子）和寬的伸展了的書頁，也有成為巨大的物質氣泡狀的分布態勢。這些氣泡的裡面看來非常地空，好像所有原來在裡面的星系全被吸管吸出去了。

CfA小組看到的是這樣一個奇特的景象：與濃密地分布幾百萬個星系的空間區域對比著的是實際上空無一物的天區——他們稱其為空洞或巨洞。不知什麼緣故，在宇宙歷史上的某個時期，大尺度有序狀態從混沌中出現。CfA小組難以解釋這是如何發生的，他們只是觀察到這些情形罷了。

1989年，蓋勒和赫克拉把他們的巡天工作延伸到包括幾千個星系，並觀測到一個新的特色：一個在空間延伸超過5億光年的星系「巨壁」。這一叫作長城的宇宙柵欄，是宇宙中存在的最大的單一結構特色。

蓋勒及其合作者們，遠不是注意到宇宙中大尺度結構的第一組人。在50年代，法國天文學家沃庫勒（GerarddeVaucoleurs），發起了一場關於他建議的星系和星系團屬於更大的天體集團稱為「超星系」（現在稱為超星系團）的大爭論。

當時，大多數天文學家相信星系團是空間最大的天體集團，他們認為，引力理論，如愛因斯坦廣義相對論所表達的形式，不利於更大天體集團的形成。還認為，擴展得更大的結構只能通過引力鬆散地聯系在一起，宇宙的膨脹將把它們拉開。因此，這種結構的壽命只能是短暫的，今天的宇宙中不存在這樣大的結構。

但經過多年積累的觀測資料，國際天文界漸漸接受了宇宙中存在著「星系團的集團」這個事實。我們的本星系群被證明是一個叫做本超星系團的一部分，該超星系團在空間伸展1億光年，室女座星系團位於其中心。人們還發現了許多其他超星系團，帶著它們穿起來的「念珠」，交叉在宇宙中。

沃庫勒年輕時是個急性子的人，現在感到了辯解的意義。

時間是檢驗真理的唯一工具。正如他所說的「正如一個成長的兒童逐漸明白了較大單元的人類組織——家庭、鄰居、城市等等——天文學家們在過去400年間逐步認識到天空的等級式安排。這一天文的發展在繼續前進中。」

今天，基於不可抗拒的，例如由蓋勒、赫克拉和普蘭特提供的觀測證據，大多數天文學家接受了下列事實：宇宙有一個復雜結構的等級。描述這些結構的名詞如「纖維」、「氣泡」、「薄片」及「空洞」等，已成為他們經常使用的詞彙了。他們不再爭論宇宙是否有大尺度結構，而是在尋求去理解這些結構的來源和性質。

❻ 機器學習中演算法的優缺點之最近鄰演算法

機器學習中有個演算法是十分重要的，那就是最近鄰演算法，這種演算法被大家稱為KNN。我們在學習機器學習知識的時候一定要學習這種演算法，其實不管是什麼演算法都是有自己的優缺點的，KNN演算法也不例外，在這篇文章中我們就詳細的給大家介紹一下KNN演算法的優缺點，大家一定要好好學起來喲。
說到KNN演算法我們有必要說一下KNN演算法的主要過程，KNN演算法的主要過程有四種，第一就是計算訓練樣本和測試樣本中每個樣本點的距離，第二個步驟就是對上面所有的距離值進行排序(升序)。第三個步驟就是選前k個最小距離的樣本。第四個步驟就是根據這k個樣本的標簽進行投票，得到最後的分類類別。
那麼大家是否知道如何選擇一個最佳的K值，這取決於數據。一般情況下，在分類時較大的K值能夠減小雜訊的影響，但會使類別之間的界限變得模糊。一般來說，一個較好的K值可通過各種啟發式技術來獲取，比如說交叉驗證。另外雜訊和非相關性特徵向量的存在會使K近鄰演算法的准確性減小。近鄰演算法具有較強的一致性結果，隨著數據趨於無限，演算法保證錯誤率不會超過貝葉斯演算法錯誤率的兩倍。對於一些好的K值，K近鄰保證錯誤率不會超過貝葉斯理論誤差率。
那麼KNN演算法的優點是什麼呢？KNN演算法的優點具體體現在六點，第一就是對數據沒有假設，准確度高，對outlier不敏感。第二就是KNN是一種在線技術，新數據可以直接加入數據集而不必進行重新訓練。第三就是KNN理論簡單，容易實現。第四就是理論成熟，思想簡單，既可以用來做分類也可以用來做回歸。第五就是可用於非線性分類。第六就是訓練時間復雜度為O(n)。由此可見，KNN演算法的優點是有很多的。
那麼KNN演算法的缺點是什麼呢？這種演算法的缺點具體體現在六點，第一就是樣本不平衡時，預測偏差比較大。第二就是KNN每一次分類都會重新進行一次全局運算。第三就是k值大小的選擇沒有理論選擇最優，往往是結合K-折交叉驗證得到最優k值選擇。第四就是樣本不平衡問題（即有些類別的樣本數量很多，而其它樣本的數量很少）效果差。第五就是需要大量內存。第六就是對於樣本容量大的數據集計算量比較大。
正是由於這些優點和缺點，KNN演算法應用領域比較廣泛，在文本分類、模式識別、聚類分析，多分類領域中處處有KNN演算法的身影。
在這篇文章中我們給大家介紹了很多關於KNN演算法的相關知識，通過對這些知識的理解相信大家已經知道該演算法的特點了吧，希望這篇文章能夠幫助大家更好的理解KNN演算法。

❼ 引物退火溫度設計技巧是什麼

PCR引物設計中的一個重要參數即是熔解溫度(Tm)。這是當50%的引物和互補序列表現為雙鏈DNA分子時的溫度。Tm對於設定pcr退火溫度是必需的。在理想狀態下，退火溫度足夠低，以保證引物同目的序列有效退火，同時還要足夠高，以減少非特異性結合。合理的退火溫度從55℃到70℃。退火溫度一般設定比引物的Tm低5℃。
有幾種公式。第一個公式來源於高鹽溶液中的雜交，適用於小於18鹼基的引物。第二個公式根據GC含量估算Tm。確定引物Tm最可信的方法是近鄰分析法。這種方法從序列一級結構和相鄰鹼基的特性預測引物的雜交穩定性。大部分計算機程序使用近鄰分析法。
用的公式及引物序列的不同，Tm會差異很大。因為大部分公式提供一個估算的Tm值，所有退火溫度只是一個起始點。可以通過分析幾個逐步提高退火溫度的反應以提高特異性。開始低於估算的Tm5℃，以2℃為增量，逐步提高退火溫度。較高的退火溫度會減少引物二聚體和非特異性產物的形成。為獲得最佳結果，兩個引物應具有近似的Tm值。引物對的Tm差異如果超過5℃，就會引物在循環中使用較低的退火溫度而表現出明顯的錯誤起始。如果兩個引物Tm不同，將退火溫度設定為比最低的Tm低5℃。或者為了提高特異性，可以在根據較高Tm設計的退火溫度先進行5個循環，然後在根據較低Tm設計的退火溫度進行剩餘的循環。這使得在較為嚴緊的條件下可以獲得目的模板的部分拷貝。

❽ k近鄰演算法的案例介紹

如 上圖所示，有兩類不同的樣本數據，分別用藍色的小正方形和紅色的小三角形表示，而圖正中間的那個綠色的圓所標示的數據則是待分類的數據。也就是說，現在， 我們不知道中間那個綠色的數據是從屬於哪一類（藍色小正方形or紅色小三角形），下面，我們就要解決這個問題：給這個綠色的圓分類。我們常說，物以類聚，人以群分，判別一個人是一個什麼樣品質特徵的人，常常可以從他/她身邊的朋友入手，所謂觀其友，而識其人。我們不是要判別上圖中那個綠色的圓是屬於哪一類數據么，好說，從它的鄰居下手。但一次性看多少個鄰居呢？從上圖中，你還能看到：
如果K=3，綠色圓點的最近的3個鄰居是2個紅色小三角形和1個藍色小正方形，少數從屬於多數，基於統計的方法，判定綠色的這個待分類點屬於紅色的三角形一類。 如果K=5，綠色圓點的最近的5個鄰居是2個紅色三角形和3個藍色的正方形，還是少數從屬於多數，基於統計的方法，判定綠色的這個待分類點屬於藍色的正方形一類。 於此我們看到，當無法判定當前待分類點是從屬於已知分類中的哪一類時，我們可以依據統計學的理論看它所處的位置特徵，衡量它周圍鄰居的權重，而把它歸為(或分配)到權重更大的那一類。這就是K近鄰演算法的核心思想。
KNN演算法中，所選擇的鄰居都是已經正確分類的對象。該方法在定類決策上只依據最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。
KNN 演算法本身簡單有效，它是一種 lazy-learning 演算法，分類器不需要使用訓練集進行訓練，訓練時間復雜度為0。KNN 分類的計算復雜度和訓練集中的文檔數目成正比，也就是說，如果訓練集中文檔總數為 n，那麼 KNN 的分類時間復雜度為O(n)。
KNN方法雖然從原理上也依賴於極限定理，但在類別決策時，只與極少量的相鄰樣本有關。由於KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對於類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。
K 近鄰演算法使用的模型實際上對應於對特徵空間的劃分。K 值的選擇，距離度量和分類決策規則是該演算法的三個基本要素： K 值的選擇會對演算法的結果產生重大影響。K值較小意味著只有與輸入實例較近的訓練實例才會對預測結果起作用，但容易發生過擬合；如果 K 值較大，優點是可以減少學習的估計誤差，但缺點是學習的近似誤差增大，這時與輸入實例較遠的訓練實例也會對預測起作用，是預測發生錯誤。在實際應用中，K 值一般選擇一個較小的數值，通常採用交叉驗證的方法來選擇最優的 K 值。隨著訓練實例數目趨向於無窮和 K=1 時，誤差率不會超過貝葉斯誤差率的2倍，如果K也趨向於無窮，則誤差率趨向於貝葉斯誤差率。 該演算法中的分類決策規則往往是多數表決，即由輸入實例的 K 個最臨近的訓練實例中的多數類決定輸入實例的類別 距離度量一般採用 Lp 距離，當p=2時，即為歐氏距離，在度量之前，應該將每個屬性的值規范化，這樣有助於防止具有較大初始值域的屬性比具有較小初始值域的屬性的權重過大。 KNN演算法不僅可以用於分類，還可以用於回歸。通過找出一個樣本的k個最近鄰居，將這些鄰居的屬性的平均值賦給該樣本，就可以得到該樣本的屬性。更有用的方法是將不同距離的鄰居對該樣本產生的影響給予不同的權值(weight)，如權值與距離成反比。該演算法在分類時有個主要的不足是，當樣本不平衡時，如一個類的樣本容量很大，而其他類樣本容量很小時，有可能導致當輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本佔多數。 該演算法只計算「最近的」鄰居樣本，某一類的樣本數量很大，那麼或者這類樣本並不接近目標樣本，或者這類樣本很靠近目標樣本。無論怎樣，數量並不能影響運行結果。可以採用權值的方法（和該樣本距離小的鄰居權值大）來改進。
該方法的另一個不足之處是計算量較大，因為對每一個待分類的文本都要計算它到全體已知樣本的距離，才能求得它的K個最近鄰點。目前常用的解決方法是事先對已知樣本點進行剪輯，事先去除對分類作用不大的樣本。該演算法比較適用於樣本容量比較大的類域的自動分類，而那些樣本容量較小的類域採用這種演算法比較容易產生誤分。
實現 K 近鄰演算法時，主要考慮的問題是如何對訓練數據進行快速 K 近鄰搜索，這在特徵空間維數大及訓練數據容量大時非常必要。

❾ 遠親不如近鄰,請運用你所掌握的民法相鄰關系,對其進行怎樣分析

相鄰關系，是指兩個或兩個以上相互毗鄰的不動產的所有人或使用人，在行使不動產的所有權或使用權時，因相鄰各方應當給予便利和接受限制而發生的權利義務關系。
《民法通則》
第83條規定：「不動產的相鄰各方 ，應當按照有利生產、方便生活、團結互助、公平合理的精神，正確處理截水、排水、通行、通風、採光等方面的相鄰關系，給鄰方造成妨礙或損失的，應當停止侵害，排除妨礙，賠償損失。」
《物權法》第七章規定：
第七章 相鄰關系
第八十四條 不動產的相鄰權利人應當按照有利生產、方便生活、團結互助、公平合理的原則，正確處理相鄰關系。
第八十五條 法律、法規對處理相鄰關系有規定的，依照其規定；法律、法規沒有規定的，可以按照當地習慣。
第八十六條 不動產權利人應當為相鄰權利人用水、排水提供必要的便利。
對自然流水的利用，應當在不動產的相鄰權利人之間合理分配。對自然流水的排放，應當尊重自然流向。
第八十七條 不動產權利人對相鄰權利人因通行等必須利用其土地的，應當提供必要的便利。
第八十八條 不動產權利人因建造、修繕建築物以及鋪設電線、電纜、水管、暖氣和燃氣管線等必須利用相鄰土地、建築物的，該土地、建築物的權利人應當提供必要的便利。
第八十九條 建造建築物，不得違反國家有關工程建設標准，妨礙相鄰建築物的通風、採光和日照。
第九十條 權利人不得違反國家規定棄置固體廢物，排放大氣污染物、水污染物、雜訊、光、電磁波輻射等有害物質。
第九十一條 不動產權利人挖掘土地、建造建築物、鋪設管線以及安裝設備等，不得危及相鄰不動產的安全。
第九十二條 不動產權利人因用水、排水、通行、鋪設管線等利用相鄰不動產的，應當盡量避免對相鄰的不動產權利人造成損害；造成損害的，應當給予賠償。