我正在阅读有关 KNN 的信息
所以我又做了一个例子让事情更清楚
在这个例子中（附图片）
你可以看到总共有 5 个贪婪圈和 20 个蓝色方块
通过标准 KNN (k=3) ，X 应该是蓝色方块
这很明显是 2 个蓝色方块与 1 个绿色圆圈。
但在加权 KNN 中，情况有所不同
在这种情况下，我们必须计算每个实例的权重（可能性）
每个绿圈可能性是，我们有 5 个绿色圆圈
而对于 Blue Squares 它是 ，我们有 20 个蓝色方块
因此 X 周围的权重将是 绿圈和蓝色方块。
意思是
那么X是绿圈
但是，如果尝试从逻辑上思考它，那么蓝色方块比绿色圆圈多，这意味着 X 更有可能是蓝色方块而不是绿色圆圈。
我的问题是：
我在这里做错什么了吗？有人可以解释为什么等式显示绿色圆圈而逻辑显示蓝色正方形吗？
从逻辑上讲，我认为“X 是绿圈”是一个合理的结论。我发现您问题中论文中的想法与本文非常相似：KRNN: k Rare-class Nearest Neighbor Classification。
直观地说，例如，如果一个新数据点接近一个稀有类'点和一个普通类'点，则它更有可能属于稀有类。
这里没有冲突，因为一个数据点更可能接近一个普通类的点。然而，一旦它已经接近一个稀有类的数据点，它就更有可能属于这个类。
也就是说，我没有检查你的计算，我只是不认为“X 是绿圈”的结论对于这个算法是不合逻辑的。
[更新]
重新考虑这个问题后，我认为加权 kNN 想要强调稀有类数据点，因为那是感兴趣的类（例如异常检测）。
Accuary 可能不是这里的指标，而是加权准确度指标，它更严厉地惩罚错误分类的稀有类数据点，以便我们可以检测到更多稀有类数据点。