该资源为人工智能-机器学习相关算法详细讲解，包括K-近邻算法、线性回归、逻辑回归、决策树算法、集成学习、聚类算法以及拓展的理论和实践案例。

提出了一种基于K近邻KNN（K-Nearest Neighbour）算法的换流变压器故障诊断方法。设计了4种人工油纸绝缘缺陷，采用超高频天线采集局部放电信号。通过对局部放电超高频信号进行小波包多尺度变换，计算其多尺度小波系数的能量系数。采用KNN算法对局部放电超高频信号能量特征参数进行识别。将反向传播神经网络和所提方法对局部放电超高频信号模式的识别结果进行了对比，结果表明所提出的方法更适用于换流变压器故障诊断。

本篇文章主要介绍了python机器学习案例教程——K最近邻算法的实现，详细的介绍了K最近邻算法的概念和示例，具有一定的参考价值，有兴趣的可以了解一下

使用DEAP数据集中记录的EEG信号对情绪进行分类，以使用机器学习算法（如支持向量机和K - 最近邻）实现高精度得分。 1）将数据集存储在文件夹中 - > data/ 2）运行 runFile.py 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

k-近邻算法概述： 所谓k-近邻算法KNN就是K-Nearest neighbors Algorithms的简称，它采用测量不同特征值之间的距离方法进行分类 用官方的话来说，所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。 k-近邻算法分析 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型 k-近邻算法工作原理： 它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个

K 近邻算法脑图

有关机器 学习的基本介绍，比如机器学习是分为监督学习和无监督学习的，以及监督学习中的一些算法，有分类算法和数值型预测算法，分类算法中几种比较经典的算法

主要介绍了Python机器学习k-近邻算法(K Nearest Neighbor),结合实例形式分析了k-近邻算法的原理、操作步骤、相关实现与使用技巧,需要的朋友可以参考下

用java实现k-近邻算法分类器的完整工程代码，测试结果正确