Voting tetangga dan k-means sama-sama bergantung pada jarak, tetapi keduanya menjawab pertanyaan yang berbeda. Classifier tetangga terdekat memprediksi hasil yang sudah diketahui memakai baris pelatihan yang berlabel. K-means membentuk grup tanpa target. Set latihan ini menggilir keduanya agar ada tidaknya label tetap menjadi bagian dari keputusan pemodelan Anda.
Baca persyaratan persiapan di setiap soal. Tugas classifier memakai pipeline penskalaan yang dilatih pada data pelatihan dan jumlah tetangga yang eksplisit. Tugas clustering kadang meminta input tanpa penskalaan sebagai perbandingan terkontrol. Nilai label klaster bisa dipermutasi tanpa mengubah pengelompokan, tetapi mengurutkan label merusak kecocokannya dengan pelanggan. Tidak ada metode baru di sini. Pertahankan urutan baris dan biarkan objek yang sudah dilatih menghitung output untuk data fiktif yang berubah.
Voting antartetangga bergantung pada jarak. Penskalaan yang di-fit pada data latih mencegah fitur dengan satuan numerik besar mendominasi jarak itu.