K近邻(KNN)

机器学习算法分类概要汇总（一）ML-KNN算法（含代码）

一、ML-KNN算法算法概要介绍。多标签学习算法是基于KNN算法的一种改进算法，这里大概介绍一下ML—KNN算法的实现过程，结合一种
lotylotylotyloty·2023-04-09 12:53

opecv入门:K近邻算法

K近邻算法机器学习算法是从数据中产生模型，也就是进行学习的算法，我们提供经验给算法，它可以根据经验产生模型，面对新的情况时，模型就会给我们提供判断（预测）结果。
AI路漫漫·2023-04-09 09:55

K近邻算法【OpenCV&Python】

K近邻算法—入门0、引言1、理论基础3、计算3.1归一化3.2距离计算4、手写数字识别的原理4.1数据初始化4.2读取特征图像4.3提取特征图像的特征值4.4计算待识别图像的特征值4.5计算待识别图像与特征图像之间的距离
一只丁小丁呐·2023-04-09 09:24

k近邻算法_图穷匕见：K近邻算法与手写数字识别

机器学习算法是从数据中产生模型，也就是进行学习的算法。我们把经验提供给算法，它就能够根据经验数据产生模型。在面对新的情况时，模型就会为我们提供判断(预测)结果。例如，我们根据“个子高、腿长、体重轻”判断一个孩子是个运动员的好苗子。把这些数据量化后交给计算机，它就会据此产生模型，在面对新情况时(判断另一个孩子能不能成为运动员)，模型就会给出相应的判断。比如，要对一组孩子进行测试，首先就要获取这组孩子
weixin_39886956·2023-04-09 09:53

win10+Python3.7.3+OpenCV3.4.1入门学习（二十章 K近邻算法）————20.5 K近邻模块的基本使用

Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm20.5K近邻模块的基本使用在OpenCV中，不需要自己编写复杂的函数实现K近邻算法，直接调用其自带的模块函数即可
菩提树下祈愿的少年·2023-04-09 09:21

win10+Python3.7.3+OpenCV3.4.1入门学习（二十章 K近邻算法）————20.1理论基础

Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm文章目录第20章K近邻算法20.1理论基础第20章K近邻算法机器学习算法是从数据中产生模型，也就是进行学习的算法
菩提树下祈愿的少年·2023-04-09 09:51

win10+Python3.7.3+OpenCV3.4.1入门学习（二十章 K近邻算法）————20.6 K近邻手写数字识别

Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm20.6K近邻手写数字识别本节使用OpenCV自带的K近邻模块识别手写数字。
菩提树下祈愿的少年·2023-04-09 09:51

OpenCV入门（三十一）快速学会OpenCV 30 K近邻算法

OpenCV入门（三十一）快速学会OpenCV30K近邻算法1.K近邻算法概述2.代码实例作者：Xiou1.K近邻算法概述机器学习算法是从数据中产生模型，也就是进行学习的算法（下文也简称为算法）。
小幽余生不加糖·2023-04-09 09:15

机器学习：基于逻辑回归和高斯贝叶斯对人口普查数据集的分类与预测

订阅专栏案例：机器学习机器学习：基于逻辑回归对某银行客户违约预测分析机器学习：学习k-近邻（KNN）模型建立、使用和评价机器学习：基
i阿极·2023-04-09 07:16

sklearn分类算法实例（SVC、KNN)

文章目录1.数据集2.实验步骤2.1数据预处理*2.1.1分析**2.1.2实践过程*2.2划分数据集2.3选取模型进行定价分类*2.3.1分析**2.3.2实践*①SVC模型分类②KNN模型分类总结1
The_Demo·2023-04-09 06:05

A.机器学习入门算法[七]：基于英雄联盟数据集的LightGBM的分类预测

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 04:10

A.机器学习入门算法（八）：基于BP神经网络的乳腺癌的分类预测

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 04:10

A.机器学习入门算法（九）: 基于线性判别模型的LDA手写数字分类识别

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 04:10

A.机器学习入门算法（五）：基于企鹅数据集的决策树分类预测

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 04:09

A.机器学习入门算法（六）基于天气数据集的XGBoost分类预测

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 04:09

A.机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN近邻(k-nearest neighbors)分类预测

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 04:39

A.机器学习入门算法（二）: 基于朴素贝叶斯(Naive Bayes)的分类预测

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 04:38

A.机器学习算法入门教程（一）: 基于逻辑回归的分类预测

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 04:37

A.机器学习入门算法（四）: 基于支持向量机的分类预测

相关文章：机器学习算法入门教程（一）:基于逻辑回归的分类预测机器学习入门算法（二）:基于朴素贝叶斯(NaiveBayes)的分类预测机器学习入门算法（三）：基于鸢尾花和horse-colic数据集的KNN
汀、人工智能·2023-04-09 03:25

基于DEAP的脑电情绪识别（模型为SVM,KNN和决策树，随机森林）完整代码分析

源码见个人主页：https://download.csdn.net/download/qq_45874683/87667984基于DEAP的脑电情绪识别（模型为SVM,KNN和决策树，随机森林）完整代码
脑电永不过时·2023-04-09 01:56

Python机器学习：决策树1

昨天学习了KNN，今天来看到决策树，这是一种常用的机器学习算法，回归和分类都可以使用，我看着书上的示例，感觉这个和switch或者连续的if、else条件这些控制流一样：图1：简单决策树示例它其实是很朴素的思想
鲁智深坐捻绣花针·2023-04-08 14:36

Python机器学习：K-邻近算法

K邻近算法(KNN)，是一种常用的分类或者是回归算法，给定一个训练样本集合D以及一个需要进行预测的样本x，KNN的思想很简单：对于分类问题，从所有训练样本集合中找到和x最接近的k个样本，然后通过投票法来选择这
鲁智深坐捻绣花针·2023-04-08 14:05

分类问题的算法总结

目录一、最近邻算法（KNN算法）算法原理算法的优缺点关于K的选择二、决策树算法原理算法的优缺点关于剪枝扩展内容三、朴素贝叶斯算法原理算法的优缺点扩展内容四、支持向量机算法原理算法的优缺点五、神经网络分类算法步骤算法优缺点一
派大星先生c·2023-04-08 11:44

神经网络可以用来分类吗,神经网络相关问题

二分类的改进版，天生适合多分类；神经网络(如bp神经网络，随机权神经网络，RBF神经网络等)；通过建立多个支持向量机或者最小二乘支持向量机分类模型，通过投票算法选择概率最大的分类标签；也可以通过聚类算法(KNN
「已注销」·2023-04-08 04:28

机器学习实战-KNN

工作原理：存在一个样本数据集合，也称作训练样本集，样本集中每个数据都存在标签，即已知样本集中每一数据与其所属分类的对应关系。当输入没有标签的新数据，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，提取样本集中特征最相似数据（最近邻）的k个分类标签（K-近邻），最后选择k个最相似数据中出现次数最多的分类，作为新数据的分类。python代码（python3版本）：fromnumpyimport*i
Smiley栗子·2023-04-07 17:08

我的机器学习笔记（三）--- 分类问题与K近邻算法

文章目录一、分类问题的定义二、分类问题的类型2.1二分类问题2.2多分类问题三、常用的分类算法四、模型分类器的实现4.1模型的构建4.2模型的使用五、K近邻算法5.1K近邻算法的概念5.2K近邻算法的伪代码
离明zh·2023-04-07 14:49

机器学习算法概述

线性回归：02非线性回归03逻辑回归2聚类01基于层次的聚类02基于分割（划分）的聚类03基于密度的聚类04基于网格的聚类05基于模型的聚类3分类：01逻辑回归02朴素贝叶斯分类器03SVM算法：04KNN05
dengdengwb·2023-04-07 14:48

我用 Python 构建一套电影推荐系统

本文将余弦相似度与KNN、Seaborn、Scikit-learn和Pandas结合使用，创建一个使用用户评分数据的电影推荐系统。
Python数据开发·2023-04-07 11:52

KNN机器算法入门【Python】：实现手写数字识别

人生苦短，我用pythonKNN可以说是最简单的分类算法之一同时，它也是最常用的分类算法之一。
蚂蚁爱Python·2023-04-07 07:04

iTOP-3568开发板NPU使用安装RKNN Toolkit Lite2

1输入以下命令安装Python3.7、pip3、gccapt-getinstallpython3python3-devpython3-pipgcc2安装相关依赖，输入以下命令：注：Toolkit-lite2本身并不依赖opencv-python，但是在示例中需要用到这个模块，所以安装时也一并安装。如果不用到图像相关的处理，可以不安装该依赖库apt-getinstall-ypython3-openc
mucheni·2023-04-06 22:29

KNN算法-5-KNN算法总结

KNN的优点1、KNN算法是一个非常简单的算法，理论成熟，思想简单，既可以用来做分类也可以用来做回归2、天然解决多分类问题，也可用于回归问题3、和朴素贝叶斯之类的算法比，对数据没有假设，准确度高，对异常点不敏感
从来只看自己_7faa·2023-04-06 17:41

[RV1109/RV1126系列]-4.RGA、DRM对图像Resize加速

RGA、DRM对图像Resize加速  上文中，我们已经部署好RKNN基本的转换、部署工具的安装操作，下面我们对在视觉算法中常用Resize操作进行优化提速，因RV1126/1109采用ArmA7的处理器
Ant5985·2023-04-06 08:33

点云库PCL学习笔记 -- k-d tree 与八叉树 -- 3.基于 Octree 八叉树的空间划分及邻域搜索（体素近邻搜索、K近邻搜索、半径r内近邻搜索）

点云库PCL学习笔记--k-dtree与八叉树--3.基于Octree八叉树的空间划分及邻域搜索（体素近邻搜索、K近邻搜索、半径r内近邻搜索）使用Octree八叉树的进行空间划分及邻域搜索（体素近邻搜索
杰尼君·2023-04-06 05:37

随记·手撕coding | knn

有监督学习算法，训练数据有标签⭐原理：1、计算测试数据与各个训练数据之间的距离（欧氏距离、曼哈顿距离、余弦相似度）2、按照距离大小升序排序3、选取距离最小的前k个点（k的值需要事先设定）4、确定前k个点所在类别的出现频率5、返回前k个点中出现频率最高的类别作为测试数据的预测分类注：对于步骤5，有2种方法：1、多数表决法：前k个里选类别最多的种类作为测试样本2、加权表决法：根据距离的远近，对近邻的投
#苦行僧·2023-04-06 03:27

大师兄的数据分析学习笔记(十五）：分类模型(一）

大师兄的数据分析学习笔记(十四）：机器学习与数据建模大师兄的数据分析学习笔记(十六）：分类模型(二）一、KNN1.关于距离如果属性可以转化为数值类型，那么每个属性就可以看做是一个维度，每个对象都是空间中的坐标
superkmi·2023-04-05 17:03

机器学习的敲门砖：kNN算法（下

plt.scatter(X2[:,0],X2[:,1])plt.show()计算其均值/方差np.mean(X2[:,0])np.std(X2[:,1])1.4Sklearn中的归一化首先我们来看一个在实际使用归一化时的一个小陷阱。我们在建模时要将数据集划分为训练数据集&测试数据集。训练数据集进行归一化处理，需要计算出训练数据集的均值mean_train和方差std_train。问题是：我们在对测
java100001·2023-04-05 17:23

Python中的Counter类

在很多场景中经常会用到统计计数的需求，比如在实现kNN算法时统计k个标签值的个数，进而找出标签个数最多的标签值作为最终kNN算法的预测结果。
落雨画空微凉·2023-04-05 15:12

机器学习之KNN算法：日撸Java三百行day51-53

一、什么是KNN算法K近邻（K-NearestNeighbor,KNN），是一种最简单和最经典的有监督学习算法之一。KNN算法是最简单的分类器，可以应用于分类和回归问题。
陈序袁·2023-04-05 15:08

日撸 Java 三百行（51-60天，kNN 与 NB）

原文:日撸Java三百行（51-60天，kNN与NB）目录51-53.kNN分类器留一法测试54-55.基于M-distance的推荐一点解释代码相关56-57.kMeans聚类58.朴素贝叶斯拉普拉斯平滑
八宝袋·2023-04-05 15:34

python怎么统计个数_Python中的计数 - Counter类

点击上方"AI机器学习与深度学习算法"，选择"星标"公众号原创干货，第一时间送达在很多场景中经常会用到统计计数的需求，比如在实现kNN算法时统计k个标签值的个数，进而找出标签个数最多的标签值作为最终kNN
weixin_39535752·2023-04-05 15:29

基于KNN的网络流量异常检测研究

针对网络异常检测方法检测精度不高，网络环境动态不稳定的问题，提出了基于K-最近邻算法（K-NearestNeighbor,KNN）的网络流量异常检测算法。
宋罗世家技术屋·2023-04-05 13:51

数据无量纲化 学习（2）：数据缩放(数据标准化 / 数据无量纲化 )的作用、适用场景、具体方法

在以梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度；在距离类模型，譬如K近邻，KMeans聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响
Tony Einstein·2023-04-05 10:45

【机器学习-周志华】学习笔记-第十章

记录第一遍没看懂的记录觉得有用的其他章节：第一章第三章第五章第六章第七章第八章第九章第十章十一章十二章十三章十四章十五章十六章k近邻学习是给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本
vircorns·2023-04-05 00:08

Pytorch :从零搭建一个神经网络

文章目录安装依赖从源码编译pytorchCXX_ABI问题数据集归一化Transforms搭建神经网络Componentsofaneuralnetworknn.Flattennn.Linearnn.Sequentialnn.SoftmaxModelParameters
Shilong Wang·2023-04-04 23:32

基于机器学习算法对电动汽车能耗估计

在前面的研究中，我们可用利用安培积分法、速度对时间积分、KNN回归预测等方法准确预测出SOC，结合电压就可以估算出电池可用能量。
being蓓·2023-04-04 17:21

基于机器学习算法对电动汽车续驶里程进行估计

为了提高模型的准确性，将线性模型中计算得到的残差作为一个新的特征，KNN回归预测模型具有更高的精度，弥补了多元线性回归模型的不足。
being蓓·2023-04-04 17:21

统计学习方法 - 第1章 - 概论

全书章节第1章统计学习方法概论第2章感知机第3章k近邻法第4章朴素贝叶斯法第5章决策树第6章逻辑斯谛回归与最大熵模型第7章支持向量机第8章提升方法第9章EM算法及其推广第10章隐马尔可夫模型第11章条件随机场第
哔哔如是·2023-04-04 16:21

K近邻分类算法的Python代码实现

文章目录问题描述算法方案代码实现代码测试问题描述K近邻算法解决的是机器学习领域中，监督学习类别下的回归和分类问题。监督学习是指利用数据的特征及其对应的标签来训练模型，然后基于模型预测未知的标签。
我在开水团做运筹·2023-04-04 14:58

[K最近邻算法KNN]使用案例：酒的分类

用K最近邻算法KNN对酒的类型进行预测。数据来源于sklearn的数据集。
紫昂张·2023-04-04 13:02

机器学习——K-近邻算法实例实战

目录实例一：使用k近邻算法改进约会网站的配对效果1.1实例分析1.2流程步骤1.3准备数据：从文本文件中解析数据1.4分析数据：用Matplotlib创建散点图1.5准备数据：数据归一化1.6测试算法：
DreamWendy·2023-04-04 13:54
上一页 17 18 19 20 21 22 23 24 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他