机器学习 · 近邻分类

教机器认花。

给花一个标签

8 / 24 份样本
等待入盘花样 09
换一朵试试

机器眼里的花园

就近找 3 朵
花心：小 → 大
短花瓣长度 →长
底色：机器会分到哪组?白圈：当前待判花
这朵花，机器分到青叶组近邻投票 2 : 1

改了样本，结果一起更新

同一组测试花

6 / 6与图鉴一致

点一朵看它的邻居。这 6 朵只做测试，不进入样本盘。

标签决定学到什么，近邻决定这次怎样判断。花形与分组为教学示意。

机器学习 · 近邻分类

机器从哪些例子里判断？

每朵花由两个特征生成：花瓣的相对长度、花心的相对大小。它们决定花在图中的位置。将花放入样本盘，就是给这个例子贴上你选择的标签。

遇到一朵待判花，程序只比较两个特征，寻找距离最近的 3 份带标签样本，按多数票分组。连线和下方的三张小票，就是本次实际使用的样本。底色也由同一条规则逐点计算。

为什么多放一朵，反而可能错了？

新样本会改变谁进入最近的 3 个邻居。标错的例子、覆盖不足或边界附近的例子，都可能改变结果。花卡上的“图鉴”是演示数据的参考标签；程序在分类时不读取它，只有比较结果时才使用。两组均为虚构教学分组，不代表真实花种。

模型范围

本页采用等权重的 k 近邻分类（k = 3），两个特征都缩放至 0—1，按欧氏距离比较。距离完全相同按固定样本编号排序；不足 3 份时用已有样本，若票数相同则采用最近样本的标签；空盘不作判断。近邻投票数不等于经过校准的置信概率。

六朵测试花始终独立，不可加入训练。页面允许你反复观察它们，因此这里的“与图鉴一致”只反映这组教学样本，不能用来宣称对真实花朵的识别准确率。

这里展示一种可解释的监督学习方式，不模拟深度神经网络，不识别相机图像。程序、花形和分组均在浏览器内计算，无需上传照片或调用外部 AI。分类区域仅在样本改变时重新计算。

对应馆内展项

深圳科学技术馆 · F4 数字浪潮
机器学习 · Z2-01/20
原展项通过仿真花坛、扫描屏幕与训练测试体验呈现机器学习；本页将样本、特征、邻居和结果一起显现。

馆方展项页面 ↗scikit-learn · 近邻分类原理 ↗

展项信息依据本地资料库，不代表现场开放状态。键盘可用 Tab 选择花朵，再用 Enter 或空格选择样本盘。点击、拖放与键盘得到相同结果。