搜索资源列表
MLkNN
- ML-KNN，这是来自传统的K-近邻（KNN）算法。详细地，为每一个看不见的实例中，首先确定了训练集中的k近邻。之后，基于从标签集获得的统计信息。这些相邻的实例，即属于每个可能类的相邻实例的数量，最大后验（MAP）原理。用于确定不可见实例的标签集。三种不同现实世界中多标签学习问题的实验研究，即酵母基因功能分析、自然场景分类和网页自动分类，表明ML-KNN实现了卓越的性能(ML-KNN which is derived from the traditional K-nearest neighbo
knn分类
- 进行K近邻分类器的编写，与k近邻分类器的测试(K nearest neighbor classifier, and K nearest neighbor classifier test)
Character_Recognition
- 本程序主要参照论文，《基于OpenCV的脱机手写字符识别技术》实现了，对于手写阿拉伯数字的识别工作。识别工作分为三大步骤：预处理，特征提取，分类识别。预处理过程主要找到图像的ROI部分子图像并进行大小的归一化处理，特征提取将图像转化为特征向量，分类识别采用k-近邻分类方法进行分类处理，最后根据分类结果完成识别工作。 程序采用Microsoft Visual Studio 2010与OpenCV2.4.4在Windows 7-64位旗舰版系统下开发完成。并在Windows xp-32位系统下测试
gkwj
- Parzen窗和K近邻法进行概率密度估计还带一个示波器控件()
KNN
- K近邻原理MATLAB代码程序，很详细，很实用，可以直接用(knn matlab matlab code)
MLkNN
- 该程序是基于传统的K近邻方法发展而来的一种可用于多标签分类的方法(this code can be used for multi-label classification problem)
knn_toy
- 这是一个K近邻分类器，手动编写的一个较为简单的实现。(K nearest neighbor classifier)
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)
手写体字符识别
- 简单的手写体字符识别，利用了k近邻和支持向量机算法(Simple handwritten character recognition, using the k nearest neighbor and support vector machine algorithm)
李航_统计学习方法
- 《统计学习方法》是计算机及其应用领域的一门重要的学科。《统计学习方法》全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。(The statistical learning method is an important subject in the field of computer and its application.)
KNN
- K近邻算法,设定K类后，用该算法进行分类任务(KNN algorithm,this method can be used to execute classify mission)
kNN
- 机器学习实战，第二章knn源代码，实现k近邻功能。(Machine learning combat, the second chapter knn source code, k nearest neighbor function.)
FaceRec
- 对人脸进行特征提取，并使用K近邻算法得其识别率(Feature extraction is performed on the face and its recognition rate is obtained using K nearest neighbor algorithm)
5256277
- 实现数据挖掘的几个算法,包括模糊聚类,K均值,以及K近邻等聚类算法()
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 combat source code collection
occzarence
- Parzen窗和K近邻法进行概率密度估计还带一个示波器控件()
text classification
- 利用K近邻算法实现的文本分类器 提供分属于20个类别的20000个新闻文本，每个类别含1000个文本。(Text classification using KNN)
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)
KNN python
- 关于K近邻算法的简单实现和一些例子，其中包括手写数字的识别(Simple implementation of K nearest neighbor algorithm and some examples)
XEWXIR
- Parzen窗和K近邻法进行概率密度估计还带一个示波器控件()