人物介紹: 綠豆伯

曾在科技產業待了大半輩子，知曉許多機器學習的分類方式，但不知何故，突然被公司辭退，一夕之間從有到無，只好轉行賣起以前國中下課時記憶中的味道，綠豆湯。經過多年，依然記得機器學習領域的知識，還將各種演算法應用到甜湯事業上面，但如何應用至今仍是個謎。

3-5 綠豆阿伯的過去

「嚇著你們了吧，你們一定在想一個賣甜湯的阿伯怎麼會這些東西，對吧?」阿伯悠悠地說出。

「倒是還好，不過感覺您老人家確實有些心事呢!」飛哥接下話。

阿伯笑了下說道:「倒也不是甚麼心事，只是還能偶爾接觸以前工作的事情也就滿意了。」眉間的皺紋看得出稍微舒緩了許多。

「不提那些了。我剛說 k-近鄰分類演算法 ，有個簡稱叫 KNN(k-nearest neighbor) algorithm ，用白話點的方式說就是 根據點跟點之間的距離與各點的類別，對新的點進行分類的一種方法 ，而k就是設定要納入後續分類的參考點的數量，實際意義為 該新的點跟其k個距離最近的點 。

假設現在有五個點a、b、c、d、e(類別為1、0、0、1、1)，設定k=3，現在有個新資料點f，對f最近的點是b、c、e，現在要判定f屬於哪一類時，就會統計b、c、e各個類別的數量，你可以想像是這三個點投票給f，結果0有兩票、1有一票，因此新資料點f就會被判定為類別0。

k-近鄰分類就會變成下面這個樣子，來，我擺綠豆給你看。」阿伯用甜湯勺將例子圈了起來。

小博看了有些傻眼，心中暗想:「可以不要玩食物嗎......?」又突然說起:「如果k的數量上升的話，是不是分類的會更準確啊?因為用來判定的點變多啦!。」

阿伯笑著說道:「對對對，頭腦真靈活，但是啊，k不能設定太大，不然用全部的點投票來判斷每個新的點就不準啦，如果1特別多的話，那每次新的點都會被判定為1的，我個人建議k要是奇數，而且資料不多的話，k設定3~9就蠻夠用的啦!」

「對耶，投票的時候如果出現偶數的話就不好判斷新的點是哪一類了。」小博想了想說了出來。

「先把綠豆湯喝掉吧，等下不冰就不好喝啦!晚點再聊。」阿伯說罷就回到攤前繼續幫其他客人弄甜湯。

小博邊望著地上的圖形，邊喝著綠豆湯，兀自出神。

資料參考:
https://www.itread01.com/content/1546211528.html