UCI机器学习数据集，Breast Cancer Wisconsin (Diagnostic) Data Set，已整理，有Excel格式文件

为机器学习上机使用python实现KNN算法，里面包括三个案例：约会网站配对、手写数字识别、鸢尾花种类识别；包括所有数据集，代码文件请用Jupyter Notebook打开

knn这个库主要用来计算三维空间中最近点，或最近几个点

NULL 博文链接：https://zy3381.iteye.com/blog/1937880

Deep learning for computer vision with python第7章图像分类的KNN算法实现，数据集使用kaggle 上的dogs and cats.

def classify0(inX, dataSet, labels, k): dataSetSize = dataSet.shape[0] diffMat = tile(inX, (dataSetSize,1)) - dataSet sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances**0.5 sortedDistIndicies = distances.argsort() classCount={} for i in range(k): voteIlabel = labels[sortedDistIndicies[i]] classCount[voteIlabel] 为了赚点积分，不是灌水啊。

基于SBA和KNN的多类分类算法.pdf

(⼀) 在 jupyter notebook 中，实现 KNN 算法和 Decision Trees 算法，要求有完整的注释 (⼆) ⼿手写数字识别 样本中包含1797个⼿手写数字灰度图像，每个图像⼤大⼩小为8*8，可使⽤用 numpy.load('filename.npy') 进 ⾏行行载⼊入 使⽤用留留出法拆分训练集与测试集，留留出10%作为测试集。训练KNN模型，搜索最佳的超参数k和n的取值，提 升识别准确度

使用R的集成方法 ######我已经完成了关于集成方法的个人项目（论文）。 首先，我对不同的集成方法进行了背景研究，然后在基础机器学习算法上实现了Boosting，AdaBoost，Bagging和随机森林技术。 我使用了提升方法来提高弱小的学习者（如决策树桩）的性能。 为决策树（包括回归和分类问题）和KNN分类器实施装袋。 将随机森林用作分类树。 我已经在使用不同阈值的逻辑回归算法上实现了一种特殊的增强算法，称为“ AdaBoost”。 然后绘制不同的图形，例如错误率与增强，装袋和随机森林迭代的关系。 比较装袋与提振的结果。 在应用集成方法之前和应用集成方法之后，分析了分类器的性能。 使用了诸如交叉验证，MSE，PRSS，ROC曲线，混淆矩阵和袋外误差估计之类的不同模型评估技术来评估集成技术的性能。

KNN算法详解，了解什么是KNN，以及KNN算法在ML中的应用。