关于KNN和线性回归的不同之处
来源：5-10 线性回归的可解释性和更多思考
爱西瓜同志
2019-03-30
波波老师，以下是我的看法：
一、从fit方法来讲，KNN只是单纯的将X_train和y_train值传给_X_train和_y_train，而线性回归通过传入的X_train和y_train求出了a和b。再看predict方法，KNN每次调用predict方法都需要进行进行计算，返回相应的y_predict，而线性回归只需要根据a和b就能简单的计算出y_predict，从这一点看，我们使用这个模型预测数据，线性回归效率会显的高一点。
二、KNN是将预测的结果进行分类，而线性回归是用来预测这个值是什么。
三、评价指标不同，KNN的评价指标是y_predict和y_test相同的各数所占全体的总数，而线性回归是和基准线性回归进行比较，比这个基准越好，评价越好。
我的问题：
一、还有哪些性质是不同的？
二、在具体应用场景上有哪里是不同的？
1回答
-
1
你的理解完全正确。所以knn叫费参数学习，线性回归叫参数学习。
学习到这里，可以结合knn和线性回归的不同，在回顾一下课程的2-4，参数学习和非参数学习概念的不同。
也可以参考这里：http://coding.imooc.com/learn/questiondetail/55215.html
2
课程里介绍的knn是解决分类问题，线性回归是解决回归问题。他们本身解决的问题种类不同。解决的问题种类不同（分类还是回归），所使用的评价指标自然就不同。
监督学习就这两类问题——分类和回归。可以再回顾一下2-2，2-3两个小节。
分类问题的评价指标，可以参考4-4和整个第十章；
回归问题的评价指标，可以参考5-5，5-6小节。
但其实还有更多评价指标，初学了解这些就足够了。
所以，评价指标和算法没关系，和算法在解决什么类别的问题有关！
3
使用knn也可以解决回归问题。可以再回顾一下4-9小节的介绍。
或者参考这里：https://coding.imooc.com/learn/questiondetail/84216.html
在5-9小节，我也用实际的代码，使用KNN Regressor计算了一下波士顿房价的预测（回归问题），请再回顾一下。所以，请再体会一下：评价指标和使用的具体算法无关，和你要解决的问题种类是怎样的（分类？回归？）相关。
4
关于应用场景，可以在回顾免2-5：费的午餐定理。或者参考这里：https://coding.imooc.com/learn/questiondetail/43808.html
不过一般实际很少使用knn，因为knn太慢了。其算法性能和训练数据的数据量成正比，而实际大多数情况都是具有巨大的数据量的，所以knn并不实用：）
继续加油！：）
012019-03-31
相似问题