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。 kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分

self-paced ensemble learning

使用python对LeetCode题库进行解答。

用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码） 用于交通流预测的STTN（时空变压器网络）的PyTorch框架实现（python代码）

用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集）

本期关于图像动漫化的深度学习资料非常适用于： 制作毕业设计：基于深度学习的毕业设计；（ofter独家出品） 理解深度学习：深度学习的实际应用；（理论付诸于行动） 设计工具APP：图像处理的设计及实现。（设计APP及使用） 1、运行环境 1.1 深度学习框架：tensorflow 1.2 预训练模型：AnimeGanV2 1.3 编程语言：前端Vue，后端flask-python 2、图片数据集 2.1 AnimeGanV2模型训练图片 2.2 备用-卡通图片（cartoon） 2.3 备用-漫画图片（anime） 3、代码使用说明（前后端） 3.1 运行环境（含模型、框架、安装库） 3.2 代码说明（含项目结构、核心代码） 3.3 运行说明（含本地后端、本地部署、云服务器部署） 3.4 运行效果及改善点 4、图像动漫化论文 4.1 CartoonGan 4.2 AnimeGan

北邮-计算机软件基础实验-全套 Python 代码 四次实验分别是： - 图与散列表 - 贪心算法 - 分治算法与矩阵乘法 - SQL基础 Lab 1 Graph&Hash 计软实验一：图与散列表； Lab 2 Greedy 计软实验二：贪心算法； Lab 3 Divide-and-Conquer 计软实验三：分治算法； Lab 4 SQL 计软实验四：数据库的创建与SQL查询 Physics1021 Physics2121 requirements.txt

主要介绍了不到20行实现Python代码即可制作精美证件照，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

【对应博客内本章内容】 4.3 编程实现基于信息熵进行划分选择的决策树算法，并为西瓜数据集3.0中的数据生成一颗决策树。 4.4 编程实现基于基尼指数进行划分选择的决策树算法，为西瓜数据集2.0生成预剪枝、后剪枝决策树，并与未剪枝决策树进行比较。 4.6 选择4个UCI数据集，对上述2种算法产生的未剪枝，预剪枝，后剪枝的决策树进行实验比较，并进行适当的统计显著性检验。 原文链接：https://blog.csdn.net/m0_46345193/article/details/

组合模拟退火曲线斜拉桥索力优化 更多详情、使用方法，请下载后阅读README.md文件