搜索资源列表
knn
- 朴素贝叶斯(Naive Bayes, NB)算法是机器学习领域中常用的一种基于概率的分类算法，非常简单有效。k近邻法(k-Nearest Neighbor, kNN)[30,31]又称为基于实例(Example-based, Instance-bases)的算法，其基本思想相当直观：Rocchio法来源于信息检索系统，后来最早由Hull在1994年应用于分类[74]，从那以后，Rocchio方法就在文本分类中广泛应用起来。-Naive
kNNregression
- k近邻算法，实现机器学习中的回归功能，参数k需要自己选择-k nearest neighbor algorithm to achieve regression in the machine learning field
kNN_python
- python实现机器学习之k近邻算法,里面附有相关数据文件-kNN arithmetic for python
KNN
- 机器学习K近邻分类算法，使用的是C++编程。如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。-K-nearest neighbor classification machine learning algorithm, using the C++ programming. If a sample in feature space is k most similar (i.e
KNNpython
- python实现的k-近邻算法，用于数据分类。机器学习实战-k- nearest neighbor python implemented for data classification. Machine learning combat
kNN
- KNN，k近邻算法，内附测试数据集，机器学习实战源码-KNN, k nearest neighbor algorithm, enclosing the test data set, machine learning practical source
KNN
- 《机器学习实战》K近邻算法的代码实现以及数据，真实可靠，欢迎使用-" Machine learning real" K nearest neighbor algorithm code and data, real reliable, welcome
KNN
- 自己实现机器学习十大算法中的k最近邻算法，经过测试，算法运行很好-Own machine learning algorithm to achieve the k nearest neighbor algorithm, tested, the algorithm runs very well
python-code-for-Machine-learning
- 用于机器学习的全方位python代码，包括K-近邻算法、决策树、朴素贝叶斯、Logistic 回归 、支持向量机、利用 AdaBoost 元算法提高分类性能、预测数值型数据：回归、树回归、利用 K-均值聚类算法对未标注数据分组、使用 Apriori 算法进行关联分析、使用 FP-growth 算法来高效分析频繁项集、利用 PCA 来简化数据、利用 SVD 简化数据、大数据与 MapReduce-The full range of py
KNN
- KNN K近邻算法 来自视觉机器学习中的代码-The KNN K Nearest Neighbor algorithm comes the code in the visual machine learning
kNN
- 机器学习实战中，K近邻算法的实现。包括算法实现，算法分类测试-Machine learning combat, the realization of K nearest neighbor algorithm. Including the algorithm, the algorithm classification test
mechine-learning
- 本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例，切入日常工作任务，摒弃学
kNN
- 通过k近邻算法实现数字识别，主要包含0-9之间的所有数字。(Digital identification is realized by K nearest neighbor algorithm.)
机器学习实战(Peter Harrington 著)
- K-近邻算法,机器学习第二章节部分第一个程序源码，python3.6可运行(K- nearest neighbor algorithm, machine learning section second chapter, the first program source code, python3.6 can run)
knn
- #k-近邻算法 实现 KNN 分类算法 # 对未知类别属性的数据集中的每个点依次执行以下操作： # (1)计算已知类别数据集中的点与当前点之间的距离 # (2)按照距离递增次序排序 # (3)选取与当前点距离最小的K个点 # (4)确定前K个点所在类别的出现频率 # (5)返回前K个点出现频率最高的类别作为当前点的预测分类(#k-Nearest Neighbor ,
MLInActionCode-master
- 机器学习实战的源代码集合，第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具(Machine learning
机器学习
- 此算法是对机器学习实战这本书中的K近邻算法进行了代码的详细介绍(K neighbor algorithm of machine learning code explained in detail)
k-nn
- k-nn算法 K-NN算法 ( K Nearest Neighbor, K近邻算法 ), 是机器学习中的一个经典算法, 比较简单且容易理解. K-NN算法通过计算新数据与训练数据特征值之间的距离, 然后选取 K (K>=1) 个距离最近的邻居进行分类或者回归. 如果K = 1 , 那么新数据将被分配给其近邻的类.(k-nnK - NN algorithm (K on his Neighbor, K Nearest Neighbor
K近邻算法
- 此处用python实现机器学习k近邻算法(Implementation of k nearest neighbor algorithm for machine learning)
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。(K-nearest neighbor (KNN) classification algorithm is a relatively mature method in theory an