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。
Chameleon
- Chameleon算法是一种通过在合并两类时用更高 的标准来提高聚类质量的聚类算法,它既考虑了互连 性,又考虑了近似度,特别是簇内部的特征,因而能够 自动地适应被合并簇的内部特征,因此具有较强的发 现任意形状和任意大小簇的能力。Chameleon算法首 先由数据集构造成一个K-最近邻图Gk,再通过一个 图的划分算法将图Gk划分成大量的子图,每个子图 代表一个初始子簇,最后用一个凝聚的层次聚类算法 反复地合并子簇来找到真正的结果簇。 -Chameleon
KMM
- 针对传统快速k-近邻分类算法的缺陷,提出了一种基于近邻搜索的快速k-近邻分类算法———超球搜 索法。该方法通过对特征空间的预组织,使分类在以待分样本为中心的超球内进行,有效地缩小了搜索范围。 -Rapid response to traditional k-neighbors of the defect classification algorithm, a fast search based on neighbor k-neighbor classification algorithm
knn
- 模式识别中的（近邻）算法的实现，很有帮助的-Pattern Recognition (K neighbors) algorithm, useful
K-nearest-neighbor-algorithm
- 从K近邻算法、距离度量谈到KD树、SIFT+BBF算法,讲解详细，非常有用-From K neighbor algorithm and distance measurement when it comes to KD tree, SIFT+ BBF algorithm, explain in detail, very useful
classificiation-algorithm-overview
- 机器学习领域经典分类算法综述，包括Decision Tree（ＩＤ３、C4.5(C5.0)、CART、PUBLIC、SLIQ和SPRINT算法），三种典型贝叶斯分类器（朴素贝叶斯算法、TAN算法、贝叶斯网络分类器），k-近邻 、 基于数据库技术的分类算法（ MIND算法、GAC-RDB算法），基于关联规则（CBA:Classification Based on Association Rule）的分类（Apriori算法），支持向量机分类，基于软计算的分类方法（粗糙集（rough set）、遗传
PCA-based-facial-recognition
- 基于PCA特征提取和距离哈希K近邻分布的人脸表情识别-PCA-based feature extraction and distribution of K-nearest neighbor distance hash Facial Expression Recognition
the-k_nearst-alogrithm
- 一种快速搜索散乱点云数据 k 邻近的算法 对逆向工程中散乱点云数据的 k 近邻搜索，提出一种快速搜索散乱点云 k 邻近点的算法。该算法根据 点云数据的范围、点的总数及最近点数目 k，确定合适的立方体边长，采用空间划分策略，把数据划分成多个子立方体； 然后用哈希表记录每个子立方体所包含的数据点及每个点所在的立方体索引号，并排除不包含数据的子立方体，以此 确定邻近点的最佳搜索范围。实验结果表明：该算法有效的提高 k 近邻搜索的速度，同时保证了搜索结果的正确性。 -a fast m
paper3
- 支持偏好调控的路网隐私保护k近邻查询方法-Preference network support privacy regulation k nearest neighbor query methods
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.
2012.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。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文
A Fuzzy K-Nearest Neighbor Algorithm
- 模糊k近邻的经典理论之作，很详细，大家可以下载(A Fuzzy K-Nearest Neighbor 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。