没有合适的资源？快使用搜索试试~
我知道了~
文库首页
课程资源
讲义
K-近邻分类器，python实现
K-近邻分类器，python实现
需积分: 50
6 下载量
109 浏览量
2018-12-28
15:58:28
上传
评论
2
收藏
152KB
IPYNB
举报
温馨提示
立即下载
开通VIP（低至0.43/天）
买1年送3月
用python实现k-近邻分类，包括约会网站配对效果和手写体识别。
资源推荐
资源评论
k近邻算法的Python实现
浏览：129
可以直接运行的Python程序，里面包含了数据集和测试集，有利于初学者入门。
k-近邻算法（knn）的Python实现
浏览：101
主要使用python实现了knn分类算法。适合初学者使用。 主函数是classifyPerson()
k近邻分类算法
浏览：44
k近邻算法，k Nearest Neighbor(KNN)，它的工作原理如下： 存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。当输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k近邻
K近邻算法讲解、python实现、k值的确定(python实现，具体代码讲解请看博主博客）
浏览：197
4星 · 用户满意度95%
python实现，具体代码讲解请看博主博客，博主名称：u010665216，文章在机器学习专栏，文章名称：K近邻算法讲解、python实现、k值的确定
k-近邻算法
浏览：6
k-近邻算法（Python版）包括代码和样本集
java实现k-近邻算法分类器
浏览：4
用java实现k-近邻算法分类器的完整工程代码，测试结果正确
PYTHON机器学习——KNN（k近邻算法）
浏览：26
PYTHON机器学习——KNN（k近邻算法） 代码实现 首先，导入需要用到的包 import numpy as np import matplotlib.pyplot as plt 初始化模拟数据集和对应的分类 data_x=[[1.15,2.34], [1.55,2.47], [3.78,4.98], [3.34,4.56], [
k近邻算法matlab实现
浏览：124
4星 · 用户满意度95%
k 近邻算法的Matlab实现源码，欢迎下载，相互交流和学习1
LBP人脸识别（最近邻分类器）
浏览：89
4星 · 用户满意度95%
在ORL人脸库上实现基于LBP（local binary pattern）的人脸识别算法，分类器选用的是最近邻分类器
K近邻分类算法（KNN）
浏览：63
5星 · 资源好评率100%
// Copyright (C) 2003--2004 Samy Bengio (bengio@idiap.ch) // // This file is part of Torch 3.1. // // All rights reserved. K近邻分类的库函数和头文件。
K-近邻算法的python实现代码分享
浏览：17
5星 · 资源好评率100%
用官方的话来说，所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。...
k-近邻算法概述及其python实现.pptx
浏览：28
介绍kNN算法，用python实现三个案例，包括简单分类器搭建、约会网站改进、手写字体识别，适合工科生用来介绍算法用
K近邻分类器 MNIST数据集 图像分类 python
浏览：168
在MNIST数据集上从头实现用于图像分类的K近邻分类器。 没有现有的sklearn包用于编写knn代码。 数据集： 在MNIST数据集中，每个样本都是手写数字的图片。每个样本包括28x28灰度像素值作为特征，以及0-9中的类别标签。...
基于近邻（KNN）算法的分类器matlab实现
浏览：29
4星 · 用户满意度95%
基于KNN 算法的分类器matlab实现，简单操作，可出图，可根据自身需求修改代码
python机器学习实战之最近邻kNN分类器
浏览：153
K近邻法是有监督学习方法，原理很简单，假设我们有一堆分好类的样本数据，分好类表示每个样本都一个对应的已知类标签，当来一个测试样本要我们判断它的类别是， 就分别计算到每个样本的距离，然后选取离测试样本最近的前K个样本的标签累计投票， 得票数最多的那个标签就为测试样本的标签。 源代码详解： #-*- coding:utf-8 -*- #!/usr/bin/python # 测试代码 约会数据分
k-近邻基础
浏览：192
k-近邻基础代码，实现了k-近邻的基本功能，通过该代码，可以学习k-近邻的原理
K近邻分类器 matlab
浏览：71
5星 · 资源好评率100%
K近邻分类器 matlab实现 很适合初学者
MATLAB实现K近邻法分类
浏览：91
5星 · 资源好评率100%
K近邻法分类待测样本点，模式识别实验内容之一，用MATLAB生成随机样本点作为样本集，用样本集将考试集分类。
K-最近邻分类器 iris数据
浏览：140
5星 · 资源好评率100%
matlab程序实现的iris数据K-最近邻分类器
基于K-近邻算法的手写数字识别研究
浏览：184
基于K-近邻算法研究手写数字（0-9）的识别问题，本文通过对手写数字的图像进行处理，提取特征向量，使用Python实现了K-近邻算法，并在此基础上开发了一个GUI测试程序。
K近邻分类器实现代码knn.py
浏览：83
K近邻分类器实现代码 ，正确率高达百分之99.8
K近邻分类器所使用的随机数据实现代码random.py
浏览：177
K近邻分类器所需要使用的随机数据集的实现代码
K近邻算法实现(使用MNIST数据集)_Python环境
浏览：60
在Python环境下，使用MNIST数据集，实现KNN算法，对MNIST数据集中数据进行HOG特征提取，再进行预测，准确率较高
使用python实现kNN分类算法
浏览：119
k-近邻算法是基本的机器学习算法，算法的原理非常简单： 输入样本数据后，计算输入样本和参考样本之间的距离，找出离输入样本距离最近的k个样本，找出这k个样本中...下面是分类器的python代码： ''' kNNClassify(inp
KNN分类器算法实现
浏览：69
#KNN分类器算法实现 #Python K-近邻算法伪代码如下， 对未知类别属性的数据集中的每个点依次执行以下操作： (1) 计算已知类别数据集中的点与当前点之间的距离； (2) 按照距离递增次序排序； (3) 选取与当前点距离...
knn.zip_K-means python_K._knn estimation_python分类knn
浏览：114
K近邻（KNN）：分类算法KNN是non-parametric分类器（不做分布形式的假设，直接从数据估计概率密度），是memory-based learning KNN不适用于高维数据（curse of dimension）
Python语言实现机器学习的K-近邻算法
浏览：83
今天学习的算法是KNN近邻算法。KNN算法是一个监督学习分类器类别的算法。下面我们来详细的探讨下
kNN-K最近邻(k-NearestNeighbor)算法的python实现
浏览：48
邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表 该方法的思路是：如果一...
基于python实现的机器学习预测系统汇总+GUI界面(贝叶斯网络、马尔科夫模型、线性回归、岭回归多项式回归、决策树等).zip
浏览：164
5星 · 资源好评率100%
（1）分类算法： k-近邻算法、贝叶斯分类器、支持向量机、决策树分类、神经网络、AdaBoost、GBDT、随机森林、逻辑回归、softmax回归等 （2）预测：贝叶斯网络、马尔科夫模型、条件随机场、线性回归、XGBoost、岭...
评论
收藏
内容反馈
立即下载
开通VIP（低至0.43/天）
买1年送3月
资源评论
资源反馈
评论星级较低，若资源使用遇到问题可联系上传者，3个工作日内问题未解决可申请退款~
联系上传者
评论
LYROOO
粉丝: 14
资源:
1
私信
上传资源 快速赚钱
我的内容管理
展开
我的资源
快来上传第一个资源
我的收益
登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏
我的下载
下载帮助
前往需求广场，查看用户热搜
最新资源
YOLO 入门合集 （YOLO学习笔记）.docx
大创项目活体检测，人脸识别
2023 年“泰迪杯”数据分析技能赛B题-企业财务数据分析与造假识别
美国婴儿出生信息数据集babynames
2023 年“泰迪杯”数据分析技能赛 A 题 档案数字化加工流程数据分析
基于OpenCV像素检测的Onmyoji游戏脚本
HTML学习第一节基本元素
C/C++/Python/Java四种语言下的算法实现资源概览
12月月考期末复习资料.zip
2024 年（第 7 届）“泰迪杯”数据分析技能赛B 题 特殊医学用途配方食品数据分析
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
安全验证
文档复制为VIP权益，开通VIP直接复制
信息提交成功
