注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 机器学习算法之KNN算法 样本数据

  2. 机器学习算法之KNN算法 样本数据 具体操作方法参考 https://www.php3.cn/a/313.html

  3. 所属分类：机器学习

    • 发布日期：2020-05-08
    • 文件大小：1048576
    • 提供者：xinjian555

  1. 菊安酱的机器学习第1期-k-近邻算法（直播）.pdf

  2. k-近邻算法的课件。来自于菊安酱的机器学习实战12期的免费教程。内涵python源码。菊安酱的直播间: 我们已经知道k近邻算法的工作原理,根据特征比较,然后提取样本集中特征最相似数据(最近邻)的分类标签。 那么如何进行比较呢?比如表1中新出的电影,我们该如何判断他所属的电影类别呢?如图2所示。 电影分类 120 爱情片(1,101) 爱情片(12,97) 80 爱情片(5,89) 水弊 60 ?(24,67) 动作片(112,9 20 动作片(1158) 动作片(108,5) 0 20 60 8

  3. 所属分类：讲义

    • 发布日期：2019-07-27
    • 文件大小：867328
    • 提供者：qiu1440528444

  1. 纯python实现机器学习之kNN算法示例

  2. 前面文章分别简单介绍了线性回归，逻辑回归，贝叶斯分类，并且用python简单实现。这篇文章介绍更简单的 knn， k-近邻算法（kNN，k-NearestNeighbor）。 k-近邻算法（kNN，k-NearestNeighbor），是最简单的机器学习分类算法之一，其核心思想在于用距离目标最近的k个样本数据的分类来代表目标的分类（这k个样本数据和目标数据最为相似）。 原理 kNN算法的核心思想是用距离最近(多种衡量距离的方式)的k个样本数据来代表目标数据的分类。 具体讲，存在训练样本集

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：218112
    • 提供者：weixin_38508126

  1. Python机器学习k-近邻算法(K Nearest Neighbor)实例详解

  2. 本文实例讲述了Python机器学习k-近邻算法。分享给大家供大家参考，具体如下： 工作原理 存在一份训练样本集，并且每个样本都有属于自己的标签，即我们知道每个样本集中所属于的类别。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后提取样本集中与之最相近的k个样本。观察并统计这k个样本的标签，选择数量最大的标签作为这个新数据的标签。 用以下这幅图可以很好的解释kNN算法： 不同形状的点，为不同标签的点。其中绿色点为未知标签的数据点。现在要对绿色点进行预测。由图不难得

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：77824
    • 提供者：weixin_38516956

  1. 《封号码罗》数据分析与人工智能之KNN分类问题（七）

  2. 第一部分 # KNN # K最近邻(k-Nearest Neighbor，KNN)分类算法: # 是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。 # 该方法的思路是： # 在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。 # 欧几里得距离 # 计算公式（n维空间下） # 二维：dis=sqrt( (x1-x2)^2 + (y1-y2)^2 ) # 三维：dis=sqrt( (x1-x2)^2 + (y1-y2)^

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：82944
    • 提供者：weixin_38660359

  1. 机器学习算法之KNN

  2. K最近邻(kNN，k-NearestNeighbor)分类算法，即k个最近的邻居，说的是每个样本都可以用它最接近的k个邻居来代表。 　　KNN是通过测量不同特征值之间的距离进行分类。  　　算法思路是：如果一个样本在特征空间中的k个最邻近的样本中的大多数属于某一个类别，则该样本也划分为这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 算法伪代码： 　　1）计算测试数据与各个训练数据之间的距离； 　　2）按

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：46080
    • 提供者：weixin_38631042

  1. 机器学习之KNN（k近邻）算法详解

  2. 一、基本分类：①监督学习（Supervisedlearning）数据集中的每个样本有相应的“正确答案”，根据这些样本做出预测，分有两类：回归问题和分类问题。步骤1：数据集的创建和分类步骤2：训练步骤3：验证步骤4：使用（1）回归问题举例例如：预测房价，根据样本集拟合出一条连续曲线。（2）分类问题举例例如：根据肿瘤特征判断良性还是恶性，得到的是结果是“良性”或者“恶性”，是离散的。监督学习：从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：838656
    • 提供者：weixin_38652636

  1. 机器学习之KNN（k近邻）算法详解

  2. 一、基本分类： ①监督学习（Supervisedlearning） 数据集中的每个样本有相应的“正确答案”，根据这些样本做出 预测，分有两类：回归问题和分类问题。 步骤1：数据集的创建和分类 步骤2：训练

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：838656
    • 提供者：weixin_38617436

  1. 机器学习之初识KNN算法——针对泰坦尼克号生存记录建模的两种方法

  2. KNN算法原理 本篇博客基于《机器学习实战》实现 算法原理简要概括，重在代码实现 k-近邻算法(kNN)的工作原理是：存在一个样本数据集合，称训练样本集，并且样本集中每个数据都存在标签，即样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似的数据(距离最近)的分类标签。 如图，图中绿点的标签是未知的，但已知它属于蓝方块和红三角二者其一，怎么判断出它属于哪一方呢？ kNN算法的核心思想是如果一个样本在特征

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：223232
    • 提供者：weixin_38529436

  1. 机器学习KNN算法之手写数字数字识别

  2. 算法简介 手写数字识别是KNN算法一个特别经典的实例，其数据源获取方式有两种，一种是来自MNIST数据集，另一种是从UCI欧文大学机器学习存储库中下载，本文基于后者讲解该例。 基本思想就是利用KNN算法推断出如下图一个32×32的二进制矩阵代表的数字是处于0-9之间哪一个数字。 数据集包括两部分，一部分是训练数据集，共有1934个数据；另一部分是测试数据集，共有946个数据。所有数据命名格式都是统一的，例如数字5的第56个样本——5_56.txt，这样做为了方便提取出样本的真实标签。 数据的

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：205824
    • 提供者：weixin_38737751