K近邻(K-Nearest Neighbors, KNN)算法既可处理分类问题，也可处理回归问题，其中分类和回归的主要区别在于最后做预测时的决策方式不同。KNN做分类预测时一般采用多数表决法，即训练集里和预测样本特征最近的K个样本，预测结果为里面有最多类别数的类别。

近邻取样插值matlab代码基于机器学习的降尺度模型 该目录包含由智能决策支持设施的研究生开发的各种统计缩减模型和工具的源代码。 这些模型包括天气生成器，变化因子气候缩放算法和基于回归的模型。 此外，还开发了一个用户界面，以方便准备要在每种模型中使用的数据文件。 此处的每个子目录均包含以下列出的缩减模型或工具之一，以及示例输入和输出CSV文件以及有关运行模型的说明。 有关这些模型的更多详细说明和信息，请参阅可用的蓝皮书。 如果您希望将模型用于研究或发布目的，请引用我们的蓝皮书： Sohom Mandal，Patrick A.Breach，Abhishek Gaur和Slobodan P.Simonovic（2016）。 降低气候变量规模的工具：技术手册。 水资源研究报告编号097，智能决策支持工具，加拿大安大略省伦敦市土木与环境工程系，共95页。 国际标准书号（ISBN）：（印刷）978-0-7714-3135-7； （在线）978-0-7714-3136-4。 模型 目录 语 Beta回归（BR） 缩小比例/ br Matlab的 变更因子方法论（CFM） 缩小/ cfm Pytho

FLANN 库全称是Fast Library for Approximate Nearest Neighbors，它是目前最完整的（近似）最近邻开源库。不但实现了一系列查找算法，还包含了一种自动选取最快算法的机制。 FLANN 用 C 编写，包含以下语言的绑定：C、MATLAB、Python 和 Ruby 。 标签：FLANN

k-近邻算法----------回归算法.html

为适应数据集分布形状多样性以及克服数据集密度问题，针对已有算法对离群簇检测效果欠佳的现状，提出了一种基于K-近邻树的离群检测算法KNMOD（outlier detection based on K-nearest neighborhood MST）。算法结合密度与方向因素，提出一种基于K-近邻的不相似性度量，然后带约束切割基于此度量构建的最小生成树从而获得离群点。算法可以有效地检测出局部离群点以及局部离群簇，与LOF、COF、KNN及INFLO算法的对比结果也证实了算法的优越性能。

K近邻分类器 matlab实现 很适合初学者

python机器学习-k近邻（KNN）算法实例-附件资源

包含最近邻插值、双线性插值和三次插值的matlab代码，自己已经测试过，使用的时候注意将图片转换为位图，否则会出现错误。

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

基于 USPS 和 UCI 数据集的K近邻法分类 .pdf