1）正如我们所知，KNN在训练阶段不执行任何计算，而是推迟所有分类计算，因此我们将其称为懒惰学习者。分类比训练需要更多的时间，但是我发现这个假设几乎与weka相反。 KNN在训练中花费的时间多于测试时间。
为什么以及如何在weka中的KNN在分类中表现得更快，而一般来说它应该表现得更慢？
是否也会导致计算错误？
2）当我们说Knn中的特征加权可以提高高维数据的性能时，我们说它是什么意思？我们是指具有高信息增益的功能选择和选择功能吗？
答案 0 :(得分：4)
回答问题1
我的猜测是Weka实现使用某种数据结构来有效地执行（近似）最近邻居查询。
使用这样的数据结构，可以比以天真的方式执行查询更有效地执行查询。
在训练阶段，必须创建数据结构，因此比分类需要更多的时间。
回答问题2
（我不确定您是否参考 预测性能 或性能，如 加速 由于两者都是相关的，我将在答案中解决它们。）
对较不相关的功能使用较高权重，较低相关功能使用较低权重可以提高 预测性能 。
提高 预测性能 的另一种方法是执行功能选择。使用Mutual Information或其他类型的单变量关联（如连续变量的Pearson correlation）是执行特征选择的最简单，最简单的方法。请注意，减少变量数量可以在 计算时间 方面提供显着的 加速 。
当然，您可以同时执行这两项操作，即首先执行功能选择，然后对其余功能使用权重。例如，您可以使用互信息来对剩余要素进行加权。在文本分类的情况下，您还可以使用TF-IDF来加权您的功能。