1、内容概要：本资源主要基于KNN算法实现手写数字识别，适用于初学者学习机器学习KNN算法使用。 2、主要内容：训练集trainingDigits；手写数字识别测试集testDigits；KNN算法实现手写数字识别源代码KNN_digits.py。

使用KNN算法实现海伦约会预测，做了数据的可视化，数据的归一化，内含数据集还有源代码

使用KNN实现手写数字识别，内含数据集和源代码，数据集的格式为32*32的二进制图像

基于MATLAB的KNN算法实现多分类

Python中的轨迹分析和分类（Pandas和Scikit Learn） 一项针对数据挖掘研究生课程的大学项目。 给我们一个trainset，其中地理点与时间间隔成对。 首先，我们清理数据集，然后形成轨迹（具有相应的路线ID）。 本部分的最后一步是根据_their的total_distance和最大距离（它们的两个点之间）过滤掉一些轨迹。 该项目的目标首先是计算test_set_a1 / a2.csv和train_set.csv的轨迹之间的轨迹相似度。 用于该算法的算法是： 快速动态时间规整（Fast-DTW） ，取自 我实现的最长公共子序列算法。 每次考虑的距离是点的Haver

针对传统的基于WiFi的最近邻(K-nearest neighbor algorithm, WiFi-KNN)室内定位算法精确度不能达到精准定位的需求的问题，本文提出了一种基于位置范围限定的K近邻(K-nearest neighbor based on the location range limit , LRL-KNN)室内定位算法。LRL-KNN算法通过利用用户的先前位置与WiFi指纹数据库中的参考点位置之间的物理距离组成的相关范围因子来缩放指纹距离，以此来减少定位的空间歧义性。尽管利用了先前的位置，但是该算法并不需要知道用户的确切移动速度和方向。与此同时，考虑到WiFi接收信号强度的时间波动性，将RSS直方图合并到距离计算中来减小时间波动带来的影响。实验结果表明：传统KNN算法的平均定位误差为2.13 m，新算法的平均定位误差为1.80 m，该误差在相同的测试环境下比传统的KNN算法减少15%。

西南交通大学研究生课程 机器学习与人工智能作业，按照软件学报格式

机器学习实战 - k近邻算法（KNN算法）总结 适合机器学习实战入门新手 K-近邻算法，又称为 KNN 算法，是数据挖掘技术中原理最简单的算法。 KNN 的工作原理：给定一个已知类别标签的数据训练集，输入没有标签的新数据后，在训练数据集中找到与新数据最临近的 K 个实例。如果这 K 个实例的多数属于某个类别，那么新数据就属于这个类别。 优点 1简单好用，容易理解，精度高，理论成熟，即可以用来做分类也可以用来做回归 2可用于数值型数据和离散型数据 3无数据输入假定 4适合对稀有事件进行分类 缺点 1计算复杂性高；空间复杂性高 2计算量太大，所以一般数值很大的时候不用这个，但是单个样本又不能太少，否则容易发生误分 3样本不平衡问题（即某些类别的样本数量很多，某些类别的样本数量很少） 4可理解性比较差，无法给出数据的内在含义

本程序简易的实现了KNN算法，您可以输入一个点的坐标 N，再输入一个数字K，程序将会返回距离点N最近的K个点。当 然，在这之间，您首先得从文件中读取坐标点集! Good Luck! 编译环境VC++6.0 有演示程序，有源码～～ 比如：用此算法查找从10万个点当中距离A点最近的2个点，所花的时间为用for循环查找的1/200倍. 压缩包里面有算法说明文档～～

暂无描述