knn_experiments:有数据归一化与不进行数据归一化时的KNearestNeighbor准确性比较-源码

使用KNearestNeighbor进行实验 前言 在模式识别和机器学习中，k最近邻算法（或简称k-NN）是用于分类和回归的非参数方法。 在这两种情况下，输入都包含的特征空间中的k个最接近的训练示例 实验 我开始这项工作，以比较在有无数据归一化的情况下，由KNN算法进行分类的准确性。 对于算法的准确性，我们是指正确分类的实例的百分比。 使用库sklearn用Python编写了代码，并且从流行的存储库UCI中下载了四个使用的数据集。 虹膜数据集[链接]（ ） 脑电图眼图状态 种子数据集 魔术伽玛望远镜 为了在终端上运行代码类型python knn_main.py ：计算K等于1,3,5,10的KNN。 结果 虹膜数据集：150个样本 1NN的精度：0.9533-带有归一化步骤的1NN的精度：0.9467 3NN的精度：0.9600-3NN归一化步骤的精度：0.9400 5NN的精度