matlab开发-近邻空间权重矩阵。使用x，y坐标生成几种最近邻空间权重矩阵之一。

时空数据库查询与推理，本PPT介绍了空间数据库最近邻查询与反向最近邻查询

spark-knn, 关于 Spark，k 最近邻算法 火花 knn wip 。Apache Spark 上的k 最近邻算法( k nn ) 。 这将使用混合溢出树方法实现高精度和搜索效率。 k nn的简单性和缺乏优化参数，使它的成为许多机器学习问题的有用基线模型。：如何使用

我们本篇博客来学习KNN算法的原理，超参数调整，以及KNN算法应用。 kNN算法：K最近邻(kNN，k-NearestNeighbor)分类算法。 KNN算法1、算法概述2、举例3、加深理解4、算法原理5、算法超参数5.1 K值5.2 关于K的取值5.3 距离度量方式5.4 权重计算方式6、算法步骤7、使用KNN实现分类7.1 建模预测7.2 超参数对模型的影响7.3 超参数调整8、使用KNN回归预测8.1 建模预测8.2 数据标准化8.3 流水线9、KD树10、总结 1、算法概述 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

这几篇文章都是关于k近邻算法很好的介绍性文章，对于初学者很有帮助。

科研项里老师给的K近邻MATLAB程序，蛮好用的，要的拿去吧，帮别人就是帮自己

用python实现k-近邻分类，包括约会网站配对效果和手写体识别。

1、RGB分量图像显示 2、HSI颜色空间显示 3、图像灰度级显示 4、峰值信噪比PSNR，mse是均方误差的计算 5、下采样、最近邻插值采样、最近、双线性和双三次采样

最近邻规则的聚类算法，欧式距离，起始点阈值可设定。 带有聚类效果评估。 采用二维特征空间中的10个样本对程序进行验证 x1 = (0,0)，x2 = (3,8) x3 = (2,2)，x4 = (1,1) x5 = (5,3)，x6 = (4,8)，x7 = (6,3)，x8 = (5,4) x9 = (6,4)，x10 = (7,5)

评论数据存在稀疏问题，不足以支撑学习出更全面的用户偏好。针对评论稀疏问题进行了研究，并提出一种应对评论稀疏的即插即用辅助网络（NRSN），其能与不同的模型进行结合，以添加辅助信息的方式，来重新调整当前模型输出的用户偏好向量。首先根据目标用户，使用aspect-attention机制从其近邻用户评论中学习出近邻用户的偏好，然后采用co-attention机制将近邻用户和目标用户进行契合度匹配，调整出目标用户新的偏好向量。在三组公开数据集下的实验结果表明，NRSN不仅能提高所结合模型的推荐性能，且能有效应对“冷启动”场景下的评论稀疏问题。