本系统实现了KNN、朴素贝叶斯和SVM三种分类算法下的文本分类自带训练集和测试集。

邻近算法,或者说是K最邻近算法,是一个相对简单的多分类算法，其基本工作原理为: 首先我们存在一个训练集,训练集中的每个图片都存在标签（已知图片属于哪一类）.对于我们输入的没有标签的数据，我们将新数据中的每个特征与样本集合中的数据的对应特征进行比较,计算出二者之间的距离，然后记录下与新数据距离最近的K个样本，最后选择K个数据当中类别最多的那一类作为新数据的类别。 下面通过一个简单的例子说明一下：如下图，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形

import cn.doitedu.commons.util.SparkUtil import org.apache.spark.ml.linalg import org.apache.spark.ml.linalg.{Vector, Vectors} import org.apache.spark.sql.{DataFrame, Dataset, SparkSession} object KnnDemo { def main(args: Array[String]): Unit = { val spark: SparkSession = SparkUtil.getSparkSes

python写的knn算法，给了一个小栗子，并有详细的注释，希望对需要的朋友有用。 在spyder中运行通过

瑜伽姿势估计应用程序 表中的内容 概述：- 这是一个瑜伽姿势估计应用程序，它可以通过使用posenet和KNN分类器实时检测瑜伽姿势。 这里使用的数据集是自定义数据集，由 3 个视频组成，用于表示 3 种不同的姿势。 它部署在heroku中。 需要注意的一件事，即这将适用于所有移动和边缘设备。 动机：- 这个项目是我在 ShapeAI 实习的一部分，担任机器学习工程师实习生。 该项目可以扩展为完美的瑜伽教练，以使用 AI 跟踪姿势并保持健康。 技术方面：- 该项目主要分为前端，后端两部分。 让我们详细讨论它们中的每一个。 前端部分：-主要是从前摄像头采集姿态图像，用于姿态识别。 该图像被传递给在 ml5.js 中预训练的posenet模型并获取计数部分位置x和y并将它们保存以以json的形式获取数据。 我们将从图像中检测到 17 个姿势，其中有 2 个与之相关的值，总共 34 个

matlab 10折交叉验证知识代码贷款违约模型 基于ML的贷款违约预测模型。 该项目使用了不同的机器学习技术-1. Logistic回归，KNN，分类树，合奏（分类方法），套索（正则化技术），10折交叉验证（ML技术，用于有效地训练我们的分类器，将总体分为训练）和测试样本）。 1.初步要求 为了利用该项目，用户应在其PC上安装Matlab版本R2016b，以便他们可以编译和运行此存储库中包含的代码。 2.入门 为了运行模型，用户需要遵循以下简单步骤： 将信息从名为LCloanbook.rar的文件LCloanbook.rar到本地目录中（确保所有文件都保存在一个位置） 打开并运行名为loan_Default_Model.m的文件 所有测试结果应显示在屏幕的左下角（工作区） 享受！ :) 3.仓库组成 loan_Default_Model.m -Matlab代码，包括此模型中使用的不同机器学习技术的定义。 LCloanbook.rar实际的基础贷款数据和变量描述 README.md您当前正在读取的文件 5.执照 MIT许可证涵盖了此存储库中包含的文件。 6.作者 斯韦特洛萨尔·斯托耶夫

knn算法，决策树算法，聚类的实现

Machine_Learning-Housing_grade_prediction_using_python 机器学习被广泛用于建立数据分析的预测模型。 数据集包含一个训练文件，我们使用该训练文件来训练算法以对测试文件进行预测。 该文件包含大约2500多个缺失值。 我们使用KNN插补来自动填充缺失的位置，以进行更好的预测。 用于对训练和测试数据集进行预测的模型是SVM。 使用线性核获得的模型的准确性约为88.6％，比rbf的准确性高23％。

java手写识别超级准确，界面很好看，swing实现，j

基于java实现的手写识别软件，字库是特征点字库，通过KNN算法计算，汉字的特征点通过递归方法得到，核心代码量300行左右，识别效果良好。直接使用eclipse导入工程即可，单击startframe.java开始运行