机器学习C++源码解析-KNN算法-源码+数据

从豆瓣批量获取看过电影的用户列表，并应用kNN算法预测用户性别 首先从豆瓣电影的“看过这部电影 的豆瓣成员”页面上来获取较为活跃的豆瓣电影用户。 获取数据 链接分析 这是看过"模仿游戏"的豆瓣成员的网页链接：http://movie.douban.com/subject/10463953/collections。 一页上显示了20名看过这部电影的豆瓣用户。当点击下一页时，当前连接变为：http://movie.douban.com/subject/10463953/collections?start=20。 由此可知，当请求下一页内容时，实际上就是将"start"后的索引增加20。 因此，我们可以设定base_url='http://movie.douban.com/subject/10463953/collections?start=',i=range(0,200,20),在循环中url=base_url+str(i)。 之所以要把i的最大值设为180，是因为后来经过测试，豆瓣只给出看过一部电影的最近200个用户。 读取网页 在访问时我设置了一个HTTP代理，并且为了防止访问频率过快而被豆瓣封ip，每读取一个网页后都会调用time.sleep(5)等待5秒。 在程序运行的时候干别的事情好了。 网页解析 本次使用BeautifulSoup库解析html。 每一个用户信息在html中是这样的： 七月 (银川) 2015-08-23   首先用读取到的html初始化soup=BeautifulSoup(html)。本次需要的信息仅仅是用户id和用户的电影主页，因此真正有用的信息在这段代码中： 因此在Python代码中通过td_tags=soup.findAll('td',width='80',valign='top')找到所有的块。 td=td_tags[0],a=td.a就可以得到 通过link=a.get('href')可以得到href属性，也就用户的电影主页链接。然后通过字符串查找也就可以得到用户ID了。

模式识别中的KNN算法实现，基于Matlab的实现，以及剪辑近邻法的matlab实现。

包括训练数据和测试数据，博文地址https://blog.csdn.net/d1240673769/article/details/77151505

【人脸识别】基于HOG特征KNN算法实现人脸识别matlab源码.md

KNN算法原理和java实现，K最近邻分类

内含数据集。先执行cut_data.py划分训练集和测试集，再执行main.py即可。

本次项目的整体介绍包括以下几点： 编译器软件：VS2019 使用到的算法：KNN数据分类算法；并行化C语言；并行化CUDA C/C++ 数据集：MNIST数据集 主要语言：C语言 整体介绍：MNIST数据集是手写数字的图像和标签数据集；改代码本事是通过KNN数据分类算法，将MNIST手写数据集进行分类，并得出分类的准确率和分类完全正确的数据个数，由于该算法本身运行效率很差，所有引用并行程序设计的思想，将该程序通过多线程来进行运行，大大提高运行速率。

能运行出结果；且初学者能看懂；可以在此基础上自己再扩展完善代码功能