为什么简单算法比你想象的更实用
我的第一个机器学习算法是一个K最近邻（KNN）模型。对于初学者来说是很有意义的，直观、易于理解，甚至可以不使用专门的软件包来实现。
因为对于初学者来说是很有意义的，所以当向任何对机器学习不熟悉的人解释时，KNN方法也很有说服力。我无法用言语表达出通过KNN方法很容易让一个房间里充满怀疑的人们接受的程度，而使用黑盒子随机森林就不是这样。
它是一种被忽视的建模方法的英雄，并且在转向更复杂的算法之前，它可以作为一个很好的基准。对于许多使用场景来说，你可能会发现更复杂的算法的时间和成本是不值得的。
为了激发你的建模灵感，这里有三个KNN的实际应用示例，你可能会在实际情况中获得比你想象的更好的结果。
市场组合建模（MMM）
我在营销领域工作，我的MMM系统工作通常涉及识别可以提高营销活动表现和/或扩大活动范围以触达更多人的营销渠道。在高层次上，这被称为市场（或媒体）组合建模。
使用MMM进行任何类型的建模的目标是了解每个营销投入在单独和与其他投入结合时的效果，并通过优化营销组合来实现最大效果。
最基本的方法是基于历史数据预测不同营销策略的影响。KNN模型会将每个营销策略视为多维空间中的一个点，其中维度可以是各种营销投入，如广告支出、促销活动、定价策略等。
当提出新的营销策略或需要优化现有策略时，该模型可以通过查看多维空间中“k”个最相似的历史策略（即“k”个最近邻）来预测该策略的结果。