EM算法是一种非常流行的最大似然估计方法，它是在观测数据为不完整数据时求解最大似然估计的迭代算法，同时也是估计有限混合模型参数的有效算法。 但是，EM算法不能保证找到全局最优解，而且往往容易陷入局部最优解，因此对迭代初始值的确定很敏感。 传统的EM算法随机选择初始值，提出了一种改进的初始值选择方法。 首先，我们使用k-nearest-neighbor方法删除异常值。 其次，使用k均值初始化EM算法。 将该方法与原始随机初始值方法进行比较，数值实验表明，EM算法初始化的参数估计效果明显优于原始EM算法。

纳米级 纳米产品量化（nanopq）：产品量化（PQ）和优化产品量化（OPQ）的纯实现，以纯python编写，没有任何第三方依赖性。 正在安装 您可以通过pip安装软件包。 该库可在Linux上与Python 3.5+一起使用。 pip install nanopq 例子 import nanopq import numpy as np N , Nt , D = 10000 , 2000 , 128 X = np . random . random (( N , D )). astype ( np . float32 ) # 10,000 128-dim vectors to be indexed Xt = np . random . random (( Nt , D )). astype ( np . float32 ) # 2,000 128-dim vectors for t

Kdtree for最近邻居搜索 使用KD树在点云上执行最近邻居搜索。 Main.cpp包括两个测试用例：一个带有bin点云文件，另一个带有自定义2D点云。 建造 g++ -o main main.cpp

操作说明： 1、解压下载的CollaborativeFilteringBasedUserCloud压缩文件 2、操作系统中需装java jdk1.7或者以上版本 3、点击start.bat，在运行过程中，会输出评分时间，然后输出用户id进行推荐 4、数据集movielens

基于密度的带噪声应用程序空间聚类（DBSCAN） 基于Kd-tree最近邻居搜索的快速dbscan算法 调用方式： double eps = 0.02 ; // radius of searching int minPts = 1 ; // minimus points number Dbscan dbscan = new Dbscan (eps, minPts); List instances = new LinkedList (); instances . add( new Instance ( new double [] { 120.1 , 30.2 }, new Object [] { 1 , 2 , 3 })); instances . add( new I

音乐分类 Matlab工具使用MFCC和K最近邻居算法将音乐分为4种类型。 输入是带有.mp3 / .wav扩展名的音频文件。 ＃＃问题陈述 通过使用监督学习的概念将音频信号分类为不同的预定义流派。 背景技术虽然音乐令人愉悦，但如今互联网上提供的大量内容使音乐的分类成为必然的任务。 音乐以无限的形式出现。 也称为流派。 尽管音乐涵盖了如此广泛的类别，但是某些特征是所有人共有的，而与节奏，艺术家，乐谱等无关。因此，基于特征提取技术，可以将使用的音乐缩减为一组数据点。 ## Dataset在我们之前的摘要中，我们详细介绍了三个不同的数据集，这些数据集都适合我们的机器学习问题。 在这些数据集中，考虑到数据集的大小以及数据集中可用的音频文件的类型后，我们使用GTZAN流派集合作为我们的训练数据集。 我们仅使用现有数据集是因为其具有标准化的性质。 由于问题的性质，创建我们自己的数据集是一项艰巨的

改进的共享型最近邻居聚类算法.pdf

基于用户的协同过滤推荐系统 实现一个简单的基于用户的协作过滤推荐系统，以使用给定的数据预测商品的评分。 该预测将使用k个最近邻居和Pearson相关进行。 最后，使用最近的k个邻居的相似性，预测给定用户对新商品的评分 评分文件格式 输入文件每行包含一个评分事件。 每个分级事件的形式为：user_id \ trating \ tmovie_titleuser_id是仅包含字母数字字符，连字符和空格（无制表符）的字符串。 等级是浮动值0.5、1.0、1.5、2.0、2.5、3.0、3.5、4.0、4.5和5.0之一。 movie_title是一个字符串，其中可能包含空格字符（以分隔单词）。 三个字段（user_id，评价和movie_title）由单个制表符（\ t）分隔。 输入 python Subramanya_Suhas_collabFilter.py rating-datas

hd_knn_tree 使用RStudio对心脏病数据集进行决策树和K最近邻分析。 还要与进行比较，以找出哪种模型可以更好地预测数据集。 使用的技术/框架 Rstudio Rmarkdown 使用的RStudio库 库（caTools） 图书馆（班） 图书馆（kknn） 图书馆（插入符号） 图书馆（ROCR） 库（rpart） 库（rpart.plot） 图书馆（MASS） 图书馆（tidyverse） 图书馆（ggsci） 安装R软件包 rpack <- c("kknn", "caret", "class","caTools", "ROCR", "rpart", "rpart.plot", "MASS", "tidyverse", "ggsci") install.packages(rpack) 数据集 来自UCI的包含76个代表患者状况的属性。 本文的数据集来