本篇文章主要介绍了python机器学习案例教程——K最近邻算法的实现，详细的介绍了K最近邻算法的概念和示例，具有一定的参考价值，有兴趣的可以了解一下

矩阵序列matlab代码介绍 k最近邻算法（k-NN）是广泛用于分类和回归的机器学习算法。 k-NN算法被用于许多研究和工业领域，例如3维对象渲​​染，基于内容的图像检索，统计（熵和散度的估计），生物学（基因分类）等。kNN搜索的处理时间在许多应用领域，尤其是在高维空间中，仍然是瓶颈。 在这项工作中，我们尝试通过使用GPU执行kNN搜索来解决此处理时间问题。 作者 文森特·加西亚（Vincent Garcia） 埃里克·德布鲁夫（ÉricDebreuve） 米歇尔·巴劳德（Michel Barlaud） 描述 输入k-NN算法的值： 一组参考点。 查询点集。 参数k对应于要搜索的邻居数。 对于每个查询点，k-NN算法在参考点集中找到k个最近的点（k个最近的邻居）。 该算法返回（1）参考点集中k个最近点的索引（位置）和（2）k个相关联的欧几里得距离。 我们为此算法提供3种CUDA实现： knn_cuda_global使用GPU全局内存计算k-NN，以存储参考点和查询点，距离和索引。 knn_cuda_texture使用用于存储参考点的GPU纹理内存和用于存储其他阵列的GPU全局内存来计算

使用DEAP数据集中记录的EEG信号对情绪进行分类，以使用机器学习算法（如支持向量机和K - 最近邻）实现高精度得分。 1）将数据集存储在文件夹中 - > data/ 2）运行 runFile.py 文件

执行模糊 k-最近邻 [1] 分类。 [1] JM Keller、MR Gray 和 JA Givens, Jr.，“模糊 K-最近邻算法”，IEEE 系统、人与控制论汇刊，卷。 15，第 4 期，第 580-585 页。

现有的动态分簇算法大多假设系统知道完全的信道状态信息（CSI）, 但这在实际系统中较难实现。针对这一问题, 提出了一种部分CSI下的近邻传播动态分簇算法。在每个基站已知一定地理区域内基站CSI的情况下, 利用协同度设计输入矩阵, 通过近邻传播的方式在全网内传播吸引度及归属度; 然后, 通过协作证据积累过程, 生成多个协同簇。仿真结果表明, 该算法的分簇性能接近于完全CSI下的利益树分簇算法, 算法的收敛速度受系统内基站数的影响较小, 收敛速度快, 适用于实际系统。

提出了一种基于高斯映射的K均值方法，先对目标点进行k近邻搜索，再对由目标点及其近邻点组成的三角形集合的单位法向量进行高斯映射。选用轮廓系数作为聚类有效性指标，确定出最佳聚类数，根据不同曲面聚类分布的规律，得到三维激光点云模型的特征线。对比实验结果表明，所提方法评价指标简单易用且噪声少，可以完整高效地提取出规则点云以及不规则点云的特征线。

为机器学习上机使用python实现KNN算法，里面包括三个案例：约会网站配对、手写数字识别、鸢尾花种类识别；包括所有数据集，代码文件请用Jupyter Notebook打开

基于 C++ 的 VP 树（Vantage Point 树）实现，基于 Peter N. Yianilos 的“通用度量空间中最近邻搜索的数据结构和算法”（1993 年）

针对图像聚类问题,提出了一种基于图像空间关系的聚类方法,采用场模型描述图像之间的空间关系,利用K-近邻思想构建图像邻域系统,聚类过程中无需手动标记特征表示的图像类别信息,只需要给定初始类别数,通过条件迭代算法(ICM)对图像进行聚类。该文通过实验分析了图像样本大小、图像特征维数、图像特征类型、初始类别标签对聚类结果的影响,通过与多种经典聚类算法进行对比,实验结果充分验证了该方法的有效性。

Deep learning for computer vision with python第7章图像分类的KNN算法实现，数据集使用kaggle 上的dogs and cats.