. 概述　　得益于大数据的兴起以及算力的快速提升，机器学习技术在近年取得了革命性的发展。在图像分类、语音识别、自然语言处理等机器学习任务中，数据为大小维度确定且排列有序的欧氏（Euclidean）数据。然而，越来越多的现实场景中，数据是以图（Graph）这种复杂的非欧氏数据来表示的。Graph不但包含数据，也包含数据之间的依赖关系，比如社交网络、蛋白质分子结构、电商平台客户数据等等。数据复杂度的提升，对传统的机器学习算法设计以及其实现技术带来了严峻的挑战。在此背景之下，诸多基于Graph的新型机器学习算法—GNN（图神经网络），在学术界和产业界不断的涌现出来。　　GNN对算力和存储器的要求非常

KNN近邻算法的应用，第一个应用是简单的一个测试，第二个应用是改进约会网站的配对效果，第三个应用是手写识别系统

机器学习 原创文章每月最少两篇文章，后续最新文章会在首发，视频首发，大家可以加我进交流群，技术交流或提意见都可以，欢迎星级！ 文章首发声明 文章在自己的个人网站首发，其他平台文章均属转发，如想获得最新更新进展，欢迎关注我的个人网站： ://cuijiahua.com/ 第二章：kNN（k-邻域算法） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（一）：k-近邻算法（史诗级干货长文） 代码 第三章：决策树（决策树） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（二）：方法树基础篇之让我们从相亲说起 Python3《机器学习实战》学习笔记（三）：决策树实战篇之为自己配个隐形眼镜 代码 第四章：朴素贝叶斯 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（四）：朴素贝叶斯基础篇之言论过滤器 Python3《机器学习实战》学习笔记（五）：朴素贝叶斯实战篇之新浪新闻分类 代码 第五章：物流（Logistic回归） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（六）：Logistic回归基础篇之梯

1、sklearn库 import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier df = pd.read_table('D:\datingTestSet2.txt',header = None) data=df.iloc[:,0:3] target=df.iloc[:,3] x_train,x_test, y_train, y_test =train_test_spl

06.机器学习实战-验证

机器学习实战(第六章-支持向量机-所有代码与详细注解-python3.7) 机器学习实战(第六章-支持向量机-所有代码与详细注解-python3.7)

机器学习实战的源码和数据集下载-附件资源

机器学习实战 Peter Harrington 中英文-附件资源

机器学习实战读书笔记（三）：Logistic回归所用到的数据集