乳腺癌检测数据集：数据集共有569个样本，每个样本有30个特征，其中357个阳性，212个阴性。

分类器的性能比较与调优: 使用scikit-learn 包中的tree，贝叶斯，knn，对数据进行模型训练，尽量了解其原理及运用。 使用不同分析三种分类器在实验中的性能比较，分析它们的特点。 本实验采用的数据集为house与segment。

k nearest neighbour code implemented on cuda

matlab集成c代码 KNNbyMatlab KNN算法的matlab实现。训练了两个数据集，分别是MNIST和CIFAR， 数据库下载地址： mnist ： cifar10： KNN_MNIST 运行环境：将MNIST四个数据集文件加入文件夹内即可运行。 在matlab2017b环境下编写测试 默认运行全部数据，大约耗时2000到3000秒 运行过程中，会输出分类错误的样本索引，可从输出的错误分类样本索引大概估计出准确率。 KNN_CIFAR 运行环境：将CIFAR七个数据集文件加入文件夹内即可运行。 在matlab2017b环境下编写测试 默认运行全部数据，大约耗时2000到3000秒 运行过程中，会输出分类错误的样本索引，可从输出的错误分类样本索引大概估计出准确率。正确率大约在38%左右。 KNN_KDTREE 运行环境：python3.6 需要导入scipy库、numpy库，将MNIST四个数据集文件加入文件夹内； 在文件夹中打开windowsPowerShell，输入命令python .\kdtree.py运行即可； 默认运行4000个训练数据，400个测试数据； 会输出查

KNN分类MatLAB源代码（附介绍） MatlAB源代码+论文

用Matlab实现了KNN算法中最近邻元素的查找，算出的结果与Spss完全一致

本文实例讲述了机器学习之KNN算法原理及Python实现方法。分享给大家供大家参考，具体如下： 文中代码出自《机器学习实战》CH02，可参考本站： 机器学习实战 (Peter Harrington著) 中文版 机器学习实战 (Peter Harrington著) 英文原版 [附源代码] KNN算法介绍 KNN是一种监督学习算法，通过计算新数据与训练数据特征值之间的距离，然后选取K(K>=1)个距离最近的邻居进行分类判(投票法)或者回归。若K=1，新数据被简单分配给其近邻的类。 KNN算法实现过程 (1)选择一种距离计算方式, 通过数据所有的特征计算新数据与已知类别数据集中的数据点的距离； (2

使用Jupyter notebook打开。。。。。。。。。。。。。。

实现手写字的识别算法，并对10000张手写字图片进行识别，按要求输出结果文件。使用kNN算法的手写识别系统 1.收集数据：提供文本文件 2.准备数据：编写函数img2vector(),将图像格式转换为分类器使用的向量格式。 3.分析数据：在Python命令提示符中检查数据，确保它符合要求。 4.测试算法：编写函数使用提供的部分数据集作为测试样本，测试样本与非测试样本的区别在于测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误。 5.使用算法：使用已编写好的算法来对测试样本进行测试 3、功能实现： 3.1 数据集的准备 将图像转换为txt文件。已知图像为28*28的像素范围，利用getpixel提取图片中的像素值大小。在打印成txt文件，这边要注意的是这边读取的是整个文件夹。

根据以下视频整理的ppt，视频地址：https://study.163.com/course/courseMain.htm?courseId=1005709005