搜索资源列表
KKNNn
- Knn算法综述、柔性KNN算法研究、一个高效的knn分类算法法、一种改进的KNN分类算法、一种优化的K最近邻协同过滤算法。 -The Knn algorithm summarized flexible KNN algorithm, an efficient knn classification algorithm method, an improved KNN classification algorithm, an optimized K nearest neighbor collabor
KDTree2Kmeans
- 基于kdtree的kmeans聚类算法，在选择最近邻中心点时使用kdtree的检索功能，提高了检索效率，特别是当k较大时，效果明显提升-kmeans clustering algorithm based on kdtree，used in selecting the center point of the nearest neighbor the kdtree retrieval function, and improve the retrieval efficiency has improve
small-world-networks
- 1998年, Watts和Strogatz 提出了小世界网络这一概念,并建立了WS模型。 实证结果表明,大多数的真实网络都具有小世界特性(较小的最短路径) 和聚类特性(较大的聚类系数) 。 WS小世界模型构造算法 1、从规则图开始：考虑一个含有N个点的最近邻耦合网络，它们围成一个环，其中每个节点都与它左右相邻的各K/2节点相连，K是偶数。 2、随机化重连：以概率p随机地从新连接网络中的每个边，即将边的一个端点保持不变，而另一个端点取为网络中随机选择的一个节点。其中规定，任意两个不同的
knnClassification
- 十大经典人工智能算法之一——K最近邻Matlab实现-One of the top ten classical artificial intelligence algorithms- K nearest neighbor Matlab implementation
Myknn
- KNN邻近算法,程序运行结果显示所有样本以及其类别，待分类样本所属的类（{1,18,11,11,0.5513196}属于"2"类），以及它的5个最近邻的类别和与它之间的距离。内有详细说明文档。-k-Nearest Neighbor algorithm
javaKNN
- java KNN 算法源码: 邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法可以说是整个数据挖掘分类技术中最简单的方法了。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用她最接近的k个邻居来代表。 kNN算法的核心思想是如果一个样本在特征空间中的k个最相似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，并具有这个类别上样本的特性。该方法在确定分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。 kNN方法在类别决策
LSH代码
- 建立哈希函数表，并将查询点映射到这些所建立的表中，回收映射到表中的对应点，由KNN算法糟糕到K个最近邻点
fisher
- Fisher线性鉴别分析已成为特征抽取的最为有效的方法之一 .但是在高维、小样本情况下如何抽取Fisher最优鉴别特征仍是一个困难的、至今没有彻底解决的问题 .文中引入压缩映射和同构映射的思想 ,从理论上巧妙地解决了高维、奇异情况下最优鉴别矢量集的求解问题 ,而且该方法求解最优鉴别矢量集的全过程只需要在一个低维的变换空间内进行 ,这与传统方法相比极大地降低了计算量 .在此理论基础上 ,进一步为高维、小样本情况下的最优鉴别分析方法建立了一个通用的算法框架 ,即先作K L变换 ,再用Fisher鉴别
CK-1_Repro.v1.02
- 有时间序列方法和技术的兴趣大增。从人，自然收集的信息几乎每一件，和生物过程是容易随时间的变化，以及这些变化如何发生的研究是一个中心问题充分理解这样的过程。所有的时间序列数据挖掘任务的分类中，可能是最突出的一个。在时间序列的分类有大量的实证研究，在时间域表明近邻规则是非常有效的。然而，一定的时间序列特征不在这个领域很容易地识别和表达的变化可能揭示了一些重要的和未知的特征。在这项工作中我们提出了递归图的使用对于时间序列的分类表示域。我们的方法复发措施地块使用坎帕纳基奥之间的相似性（CK-1）的距离，
KNN
- 邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。 kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻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，并具有这个类别上样本的特性。该方法在确定分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。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方
123
- 该程序实现K-均值聚类算法达到K-均值聚类的功能，与凝聚算法 最近邻聚类算法达到最邻聚类的功能。 -The program implements K- K- means clustering algorithm to achieve functional means clustering, and cohesion algorithm- nearest neighbor clustering algorithm to achieve the most-neighbor clustering.
kjinlin
- K最近邻(k-Nearest Neighbour，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：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 neighbor algorithm
cedbk
- 基于K均值的PSO聚类算法,非常适合计算机视觉方面的研究使用,包括最小二乘法、SVM、神经网络、1_k近邻法。- K-means clustering algorithm based on the PSO, Very suitable for the study using computer vision, Including the least squares method, the SVM, neural networks, 1 _k neighbor method.
KNN-python
- 邻近算法，或者说K最近邻分类算法是数据挖掘分类技术中最简单的方法之一，给出一个实例，可直接运行- U90BB u8B1 u7B97 u7B97 u7C97 u6c2 U6700 u7B80 u5355 u7684 u65B9 u6CD5 u4E4B u4E00 uFF0C u7ED9 u51FA u4E00 u4E2A u5B9E u4F8B uFF0C u53EF u76F4 u63A5 u8FD0 u884C
knn
- 邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。(Neighborhood algorithm, or K nearest neighbor (kNN, k-NearestNeighbor) classification algorithm is one of the simplest methods in data mining class
KNN
- 最近邻学习算法，Python实现，最近邻规则分类(steps: In order to determine the unknown instance categories, with examples of all known categories as reference Parameter selection of K The calculation examples and all known examples of the unknown distance Choose the
MachineLearning-master
- 机器学习算法，包括knn等，K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。(machine learning algorithm)
规则网络matlab仿真
- 如果在一个网络中，每一个节点只和它周围的邻居节点相连，那么就称该网络为最近邻耦合网络。常见的一种具有周期边界条件的最近邻耦合网络包含围成一个环的N个节点，其中每个节点都与它左右各K/2个邻居节点相连，这里K是一个偶数。构造算法：初始化时，N个初始节点均匀分布在圆周上，而后每个节点与自己的第k/2个邻居建立连接。