K-means 算法步骤
K-means 聚类的流程分为两个主要步骤：分配（Assignment）和更新（Update）。以下是详细步骤：
- 选择 K 值： 设定簇的数量 K。
- 初始化簇中心：随机选择 K 个数据点作为初始簇中心（centroids）。
- 分配步骤（Assignment Step）： 对于数据集中的每个点，将它分配到最近的簇中心对应的簇。这里的"距离"通常使用欧氏距离（Euclidean distance）。
- 更新步骤（Update Step）： 根据当前的簇分配，重新计算每个簇的中心，即计算簇内所有点的均值作为新的簇中心。
- 重复 3 和 4 步：不断重复分配和更新步骤，直到簇中心不再发生变化（收敛）或达到指定的最大迭代次数。
随机森林：
1. 原理
随机森林是一种集成学习方法，它由多个决策树组成，每个决策树都是一个弱学习器。在随机森林中，每个决策树都是基于对训练数据的随机子集进行训练而生成的。在进行预测时，随机森林会对每棵树的预测结果进行平均或投票，以得到最终的预测结果。
2. 工作流程
随机森林回归的工作流程如下：
步骤1：随机选择样本集
从训练数据集中随机选择一个样本集，这个样本集的大小通常和原始训练数据集的大小相同，但是每个样本的选择是随机的，并且可能会有重复。
步骤2：随机选择特征
对于每个决策树的训练过程中，从所有特征中随机选择一个子集。这个子集的大小通常小于总特征数，这样可以保证每个决策树的差异性。
步骤3：训练决策树
使用步骤1和步骤2中选择的样本集和特征子集，训练一个决策树模型。通常使用基尼系数或信息增益等指标来进行节点的划分，直到达到停止条件（如树的深度达到预定值）为止。
步骤4：重复步骤2和步骤3
重复多次步骤2和步骤3，生成多棵决策树。每棵树都是通过不同的样本集和特征子集训练得到的，因此它们之间具有一定的差异性。
步骤5：预测
对于回归问题，随机森林通过对每棵树的预测结果进行平均，得到最终的预测结果。
对于分类问题，对预测结果进行投票，获取投票最多的结果作为分类结果
3. 优缺点
优点：
鲁棒性强： 随机森林能够处理缺失数据和不平衡数据，并且不容易受到噪声的影响。
准确性高： 由于随机森林是通过多棵决策树集成而成，因此通常具有较高的准确性。
可解释性： 可以通过分析每棵树的结构来理解模型的预测过程，提高模型的可解释性。
缺点：
计算资源消耗大： 随机森林由多个决策树组成，训练和预测过程需要消耗大量的计算资源。
可能过拟合： 当训练样本较少或者特征维度较高时，随机森林容易过拟合。
不适合处理高维稀疏数据： 随机森林在处理高维稀疏数据时效果不佳。
KNN算法：
1、原理
K近邻（K-Nearest Neighbors）是一种基于实例的惰性学习 算法，用于分类与回归任务。其核心思想：相似样本在特征空间中距离相近。通过计算待测样本与训练集的距离，选取最近的K个邻居，根据邻居的类别投票决定分类结果。
2、 核心流程
-
输入：带标签的训练集、待分类样本、K值（邻居数）
-
计算距离：待测样本与所有训练样本的距离（如欧氏距离）
-
选择邻居：取距离最近的K个样本
-
投票决策：统计K个邻居的类别标签，多数类即为预测结果
3、K值选择
