分析了KNN分类算法的流程,然后在K值的动态获取和分类加权两个方面对分类算法进行改进;利用MapReduce编程思想完成KNN分类算法在Hadoop集群环境下的移植和实现。实验数据证明,改进后的KNN分类算法在人脸识别精度、识别效率和稳定性3个方面得到了有效提高。

VehicleColorID 使用YOLOv3进行对象分割，并使用颜色直方图和kNN分类器进行颜色识别。 需要图书馆 OpenCV-4.2 枕头-6.1 脾气暴躁-1.18.1 Matplotlib-3.1.3 其他需求 Darknet和YOLOv3 cfg和权重已安装。 按照上的说明安装Darknet。 color_feature_extractor和knn模块需要与VehicleColorID文件放置在同一文件夹中。 这些文件应放置要检测的颜色数据集。 训练数据生成 使用以下命令运行color_feature_extractor.py：python color_feature_extractor.py --path $ COLOR_DATASET_PATH $ 运行分类器 在COCO数据集上预训练的YOLOv3用作对象检测器，基于颜色的kNN分类器可预测检测到的对象的颜色。

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。

简便的KNN分类算法，可以处理有监督数据的分类问题，运用的是邻域粗糙集的基本概念，有兴趣的可以在本程序上再加以改进，比如加权，多粒度等等的方法。

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

使用opencv库， 基于KNN分类器的ocr(数字识别)，参考了opencv2.0的例子，进行了部分改编，C++的实现，欢迎下载！

功能1. kNNeighbors.predict（_） 2. kNNeighbors.find(_) 描述1. 返回一个或多个测试实例的估计标签。 2. 返回 k 个最近的训练实例的索引和各自的距离。 使用鸢尾花数据集的示例 加载fisheriris X = 测量值； Y = 物种； Xnew = [min(X);mean(X);max(X)]; k = 5； 公制 = '欧几里得'; mdl = kNNeighbors(k,metric); mdl = mdl.fit(X,Y); Ypred = mdl.predict(Xnew) Ypred = 'setosa' '杂色' '弗吉尼亚' Ynew = {'versicolor';'versicolor';'virginica'}; 准确率=accuracy_score（Ypred，Ynew） 精度= 0.6667 请

利用欧几里得距离和样本投票实现的KNN分类器，输入包括训练数据、测试数据、K距离，输出是测试数据的分类结果。

KNN分类器实现人脸识别，数据集为ORL，40个人，每人10个图片

人车分类识别 HOG特征+KNN分类器