探索算法的奥秘

通过交互式可视化，直观理解 K-最近邻 (KNN) 与贪婪算法的核心逻辑与数学之美。

algorithm = new KNN();

result = algorithm.classify(data);

Result: Class A

K-最近邻算法 (KNN)

物以类聚，人以群分。通过“邻居”来判断未知的归属。

KNN 是一种监督学习算法。它的核心思想是：如果一个样本在特征空间中的 K 个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别。

对于训练集大小为 N，特征维度为 D 的数据集：

解释：而在预测时，我们需要计算测试点与所有 N 个训练点的距离。每次距离计算涉及 D 个维度的运算，因此总消耗为 N * D。随后还需要进行排序 (通常为 O(N log N) 或使用堆结构优化) 来找出前 K 个。

K 值: 3

活在当下，每一步都做出当前看起来最好的选择。

贪婪算法在每一步选择中都采取在当前状态下最好或最优（即最有利）的选择，从而希望导致结果是全局最好或最优的算法。

经典案例：找零钱问题

假设我们有面额为 25, 10, 5, 1 的硬币。要找给客户 41 分钱，贪婪策略会：

注意： 贪婪算法并不总是能得到全局最优解（例如在某些特定的硬币面额组合下），但在很多标准问题中它高效且正确。

目标金额:

可用面额 (逗号分隔):

点击开始查看结果