美国1994年人口普查数据，居民年收入是否超过50K的分类问题。我用KNN算法实现了一下二分类。代码注释详细，附有实习指导书说明、数据。修改路径即可运行。

KNN（K-Nearest-Neighbours Classiflication）分类算法，供大家参考，具体内容如下 最简单的分类算法，易于理解和实现 实现步骤：通过选取与该点距离最近的k个样本，在这k个样本中哪一个类别的数量多，就把k归为哪一类。 注意 该算法需要保存训练集的观察值，以此判定待分类数据属于哪一类 k需要进行自定义，一般选取k<30 距离一般用欧氏距离，即​  通过sklearn对数据使用KNN算法进行分类 代码如下： ## 导入鸢尾花数据集 iris = datasets.load_iris() data = iris.data[:, :2] target

K近邻(K-Nearest Neighbors, KNN)算法既可处理分类问题，也可处理回归问题，其中分类和回归的主要区别在于最后做预测时的决策方式不同。KNN做回归预测时一般采用平均法，预测结果为最近的K个样本数据的平均值。

https://blog.csdn.net/Alvarez/article/details/115981497 配套代码 C++实现k近邻算法，遍历求距离

KNN邻近算法、机器学习算法，完整源代码，直接可以运行

K最近的NEIGHBOUR-KNN算法 KNN表示K最近邻算法。 KNN是最简单的监督式机器学习算法，主要用于数据分类。 在继续学习KNN之前，让我们简单地看一下机器学习和KNN所属的类别。 机器学习（ML）是对计算机算法的研究，该算法会根据经验和给定的数据集自动改进。 机器学习算法基于样本数据（称为“训练数据”）构建模型，以便进行预测或决策而无需明确地编程。 如今，机器学习一直在解决不同领域类别的问题，例如：计算金融，图像处理和计算机视觉，计算生物学，能源生产，汽车，航空航天和制造，自然语言处理（NLP）。 如今，这些技术发现了数据中的隐藏模式或内在结构。 它有助于我们产生洞察力，并帮助我们做出更好的决策和预测。 在机器学习模型中，它允许用户根据过去的数据进行预测。 阅读更多@

本文针对企业员工的一些特征来判断员工是否离职，利用RapidMiner软件构建员工离职预测模型，分析影响员工离职的重要因素，比如员工月收入，是否加班，是否出差等，预测企业员工是否具有离职倾向，为企业提前做出判断，协助人力资源部门进行关键的干预工作，有计划的进行“留住人才”措施，同时也可以更好的促进企业做好“选拔人才”、“培养人才”、“管理人才”。建模前，先对原始数据进行预处理，包括属性变量量化处理、约简属性、数据标准化处理、特征的相关性分析、指定属性角色和划分训练集与测试集。建模选取了决策树模型、随机森林模型、KNN算法模型、逻辑回归模型及贝叶斯模型，利用准确率、精度、召回率及ROC曲线/AUC评价模型的整体性能，最后总结出决定员工离职的三个重要特征和较优的预测模型，并对用人单位提出建议。

https://blog.csdn.net/Alvarez/article/details/115871769　的配套代码，Ｃ＋＋实现李航统计学习方法　Ｋ近邻算法（遍历）

Matlab 自带KNN算法函数knnclassify实现

python实现knn、naive bayes、vsm、tf-idf模型。并包含数据集