极端情况当K=N时，新增的点不应该是就要考虑所有样本点的特征，导致对样本过度学习，overfitting么，为什么反而bias大？
24:42 (1X)
pzqa39 · 2024年08月27日
嗨，爱思考的PZer你好：
过度拟合是指机器学习模型在训练数据上表现良好，但在新数据上表现不佳。它会导致模型过于复杂，过于贴合训练数据，而无法泛化到其他的新的数据。
老师在上课的时候举了两个比较极端的例子，当k很小的时候，比如k=1，那只有一个邻居，所以需要非常仔细地去研究它的特征才能进行匹配，用这一个邻居来训练自己的模型，考察非常充分，会导致模型过于复杂，这是过拟合，泛化性比较差。但是如果k很大，比如k=n，所有的数据都是邻居，会忽略大量有用的信息，得到一个非常稳定且泛化的模型，不管你输入什么样的变量结果都是一样的，所以对训练集拟合得不好。
----------------------------------------------努力的时光都是限量版，加油！