k近傍法（k-NN）による分類の説明として、最も適切なものを選べ。
- 1新しいデータに対して、特徴空間上で距離が近いk個の学習データを探し、それらのラベルの多数決でクラスを決める。
- 2学習データをk個のクラスタに分割し、各クラスタの重心を繰り返し更新しながら分類を行う。
- 3学習時にデータ間の距離関係を重みとして要約するため、予測時には学習データを保持しておく必要がない。
- 4kの値を大きくするほど決定境界は複雑になり、過学習が起こりやすくなる。
正解と解説を見る
正解：1
k近傍法は、予測したいデータとの距離が近いk個の学習データを探し、それらのラベルの多数決でクラスを決める教師あり学習の手法です。学習時はデータを保存するだけで、予測時に学習データとの距離を計算するため、学習データを保持しておく必要があります（怠惰学習）。kが小さいほど個々のデータの影響が強まり、決定境界が複雑になって過学習しやすくなります。kを大きくすると境界は滑らかになります。名前の似たk-means法（教師なし学習のクラスタリング）と混同しないよう注意しましょう。
根拠：k近傍法（k-NN）