KNN算法是比较适合于文本分类的一种分类算法，但由于其计算复杂度会随着训练集规模的增加而线性增加，从而限制了它的实际应用效果．通过改变对近邻点的搜索策略，提出了一种改进型的KNN算法．该算法在对最近邻的选择过程中，放弃传统算法中遍历所有样本的做法，而是通过逐渐逼近的思想来寻找最近邻点．实验证明，该方法在保持和传统的 KNN算法几乎一样的精度性能前提下，可以明显降低算法的计算复杂度，降低时间开销，取得了较满意的结果．

主要为大家详细介绍了基于Hadoop实现Knn算法的相关资料，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

使用Knn算法对KDDcup99进行分类处理，包含部分数据集，并对数据集进行了预处理，包括特征选择，标准化，归一化等；

使用KNearestNeighbor进行实验 前言 在模式识别和机器学习中，k最近邻算法（或简称k-NN）是用于分类和回归的非参数方法。 在这两种情况下，输入都包含的特征空间中的k个最接近的训练示例 实验 我开始这项工作，以比较在有无数据归一化的情况下，由KNN算法进行分类的准确性。 对于算法的准确性，我们是指正确分类的实例的百分比。 使用库sklearn用Python编写了代码，并且从流行的存储库UCI中下载了四个使用的数据集。 虹膜数据集[链接]（ ） 脑电图眼图状态 种子数据集 魔术伽玛望远镜 为了在终端上运行代码类型python knn_main.py ：计算K等于1,3,5,10的KNN。 结果 虹膜数据集：150个样本 1NN的精度：0.9533-带有归一化步骤的1NN的精度：0.9467 3NN的精度：0.9600-3NN归一化步骤的精度：0.9400 5NN的精度

knn_约会网站&手写体识别.ipynb knn_约会网站&手写体识别.ipynb

如下所示： from sklearn.datasets import load_iris iris = load_iris() print iris.data.shape from sklearn.cross_validation import train_test_split X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size = 0.25, random_state = 33) from sklearn.preprocessing import StandardScal

matlab的egde源代码机器学习 存储库包含我在MATLAB和PYTHON中实现的机器学习算法 使用的Alogrithm是： 决策树和随机森林分类器 朴素贝叶斯分类器 高斯朴素贝叶斯Calssifier 高斯混合的EM算法 神经网络 奇异值分解 主成分分析 将数据拟合到一维高斯 使数据适合2D高斯 K最近的邻居 线性回归 逻辑回归 K均值聚类 价值迭代法 动态时间规整 误差函数和正则化

【情感识别】基于改进KNN语音情感分类识别malab源码含GUI.md

python版KNN识别mnist手写数据集，大牛原版

使用机器学习技术预测肝炎疾病 内容 1.简介2.属性3.框图4.算法和分类器5.获得的结果6.结论 介绍 医学诊断是一项重要且非常复杂的任务，需要准确识别。 重要的是要在适当的时间诊断出疾病并尽早治愈。 肝脏是人体的重要组成部分。 影响肝功能的严重疾病之一是肝炎，它会引起肝脏炎症。 这项工作的主要目的是通过使用不同的ML工具和神经网络体系结构训练同一数据集，并选择那些诊断肝炎疾病的最佳工具来对特定数据集进行比较研究。 属性 属性 价值 年龄 否（1），是（2） 数值 否（1），是（2） 性别 否（1），是（2） 男（1），女（2） 否（1），是（2） 类固醇 否（1），是（2）v 大肝 否（1），是（2） 肝脏公司 否（1），是（2） 蜘蛛网 否（1），是（2） 抗病毒药 否（1），是（2） 疲劳 否（1），是（2） 马拉丝 否（1），是（2） 脾可触及 否