在Python环境下，使用MNIST数据集，实现KNN算法，对MNIST数据集中数据进行HOG特征提取，再进行预测，准确率较高

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算法原理和java实现，K最近邻分类

内含数据集。先执行cut_data.py划分训练集和测试集，再执行main.py即可。

数据挖掘各分类算法原理阐述，朴素贝叶斯、SVM、KNN等算法的代码实现，并用十折交叉验证进行评价和分析。

python实现了简单的knnk近邻算法，读取的是里面的xlsx文件，最后进行混淆矩阵评估，距离使用的欧式矩阵。

利用KNN实现验证码的识别。

matlab中knn代码 Improved-KNN-for-predication KNN进行预测 转载使用请注明出处(●'◡'●)，还请多多star~ 使用MATLAB进行基本KNN的建模以及改进KNN的建模 后期论文发表后可参考文章使用相应代码，文章预计今年6月左右发表！ 部分代码里的空间预测/时间预测是适用于某项目，可自行决定是否使用该变量 基本KNN KNNbasedist是基础款KNN的两向量距离计算 KNNbasetrain是基础KNN在K值下的训练误差的计算 KNNbaseopt是基础款KNN最优K值的探索 KNNbasepred是基础KNN预测 内权重算法两个: wC45是C4.5算法计算内权重值 hdeter是AFW分类算法h值的输入(附属于wAFW) wAFW是AFW分类算法计算内权重值 外权重算法两个: Wprobe是基于概率的外权重值计算 Wdist是基于距离的外权重值计算 改进KNN KNNwdist是具有内权重的两向量距离计算 KNNWtrain是具有内外权重的KNN在K值下的训练误差的计算 KNNWwopt是具有内外权重的KNN最优K值的探索 KNNWwp

本次项目的整体介绍包括以下几点： 编译器软件：VS2019 使用到的算法：KNN数据分类算法；并行化C语言；并行化CUDA C/C++ 数据集：MNIST数据集 主要语言：C语言 整体介绍：MNIST数据集是手写数字的图像和标签数据集；改代码本事是通过KNN数据分类算法，将MNIST手写数据集进行分类，并得出分类的准确率和分类完全正确的数据个数，由于该算法本身运行效率很差，所有引用并行程序设计的思想，将该程序通过多线程来进行运行，大大提高运行速率。

能运行出结果；且初学者能看懂；可以在此基础上自己再扩展完善代码功能