from sklearn.datasets import load_iris
import numpy as np
import matplotlib.pyplot as plt
iris = load_iris()
iris_data = iris.data
iris_target = iris.target
print(iris.feature_names)
X = ir
转载
2016-03-30 17:54:00
130阅读
2评论
一.k近邻算法的基本概念，原理以及应用 k近邻算法是一种基本分类和回归方法。本篇文章只讨论分类问题的k近邻法。 K近邻算法，即是给
转载
2022-11-08 21:23:47
206阅读
一文搞懂k近邻（k-NN）算法(一)前几天和德川一起在学习会上讲解了k-NN算法，这里进行总结一下，力争用最通俗的语言讲解以便更多同学的理解。本文目录如下：1.k近邻算法的基本概念，原理以及应用2.k近邻算法中k的选取，距离的度量以及特征归一化的必要性3.k近邻法的实现：kd树原理的讲解4.kd树详细例子讲解5.kd树的不足以及最差情况举例6.k近邻方法的一些个人总结1k近邻算法的基本概念，原理以
原创
2020-11-23 13:07:01
580阅读
最大的 k 个数，并且返回它们所在位置的索引。#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tfimport numpy as npinput
转载
2022-08-30 10:30:08
197阅读
k近邻算法k近邻法是一种基本分类与回归方法k近邻法输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类（与感知机不同的点之一）。分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。算法的基本步骤如下：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
转载
2023-07-21 16:00:48
91阅读
因为自己的好奇心，所以做了这一篇关于KNN 算法的笔记。 文章目录一、简介二、KNN算法实现2.1实现步骤2.2代码实现三、相关测试四、小结 一、简介K-近邻算法是一种常用的监督学习的方法，其与K-Means算法有点类似，其原理是：在给定的样本数据中，基于某种距离(欧式距离或马氏距离等等)找出与当前样本数据距离最近的K个样本数据，然后再基于这K个“邻居”的信息来进行预测。这个算法在生活中应用的其实
转载
2023-07-17 17:15:16
106阅读
机器学习实例 1.1、k-近邻算法（简单k-nn） 一、总结 一句话总结： 【取最邻近的分类标签】：算法提取样本最相似数据(最近邻)的分类标签 【k的出处】：一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处 【k-近邻算法实例】：比如，现在我这个k值取3，那么在电影例
转载
2020-12-06 19:25:00
318阅读
完结篇|一文搞定k近邻算法（k-NN）算法（二）上篇文章重点讲解了最基本的k近邻算法一文搞懂k近邻（k-NN）算法（一）这篇文章重点讲解一下k近邻算法的最经典算法kd树的相关知识点以及最终的总结！希望看完这篇文章，对kd树能够有一个直观的感觉~本文目录如下：1.k近邻算法的回顾2.k近邻算法中的分类决策规则讲解3.k近邻法的实现：kd树原理的讲解以及kd树详细例子讲解4.kd树的不足以及最差情况举
原创
2020-11-23 14:23:23
2316阅读
# K均值算法的Java实现
K均值算法是一种广泛使用的聚类算法，旨在将数据集划分为K个簇，使得每个簇的数据点尽可能相似，而不同簇的数据点尽可能不同。本文将介绍K均值算法的基本原理，并提供一个Java实现的代码示例。
## K均值算法的基本原理
K均值算法的步骤如下：
1. **初始化**：随机选择K个初始中心点（质心）。
2. **迭代**：
- 将每个数据点分配到距离最近的质心所
在本系列前面的文章中，简单介绍了一下Ignite的线性回归算法，下面会尝试另一个机器学习算法，即k-最近邻(k-NN)分类。该算法基于对象k个最近邻中最常见的类来对对象进行分类，可用于确定类成员的关系。一个适合k-NN分类的数据集是鸢尾花数据集，它可以很容易地通过UCI网站获得。鸢尾花数据集由150个样本组成，来自3种不同种类的鸢尾花各有50朵（Iris Setosa, Iris Versicol
转载
2023-05-31 03:57:39
66阅读
一、函数原型tf.nn.top_k( input, k=1, sorted=True, name=None)为了找到输入的张量的最后的一个维度的最大的k个值和它的下标！如果输入的是一个向量，也就是rank=1，找到最大的k个数在这个向量，则输出最大的k个数字和最大的这k个数字的下标。如果输入的张量是一个更高rank的矩阵，那么我们只要找到每一行的最大...
原创
2021-08-13 09:38:48
745阅读
k近邻（k-NearestNeighbor，简称kNN）学习是一种常用的监督学习方法，其工作机制非常简单：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，然后基于k个“邻居”的信息来进行预测。1.最近邻检索（NearestNeighborSearch）最近邻检索就是根据数据的相似性，从数据库中寻找与目标数据最相似的项目。这种相似性通常会被量化到空间上数据之间的距离，可以认为数据
原创
2020-12-29 19:26:57
1426阅读
public class KMeansCluster {private int k;//簇的个数private int num =100000;//迭代次数private List datas;//原始样本集private String address;//样本集路径private List dat...
转载
2015-06-27 14:24:00
311阅读
2评论
问题导读：1、如何理解K-Means算法？2、如何寻找K值及初始质心？3、如何应用K-Means算法处理数据？K-Means是聚类算法中的一种，其中K表示类别数，Means表示均值。顾名思义K-Means是一种通过均值对数据点进行聚类的算法。K-Means算法通过预先设定的K值及每个类别的初始质心对相似的数据点进行划分。并通过划分后的均值迭代优化获得最优的聚类结果。K值及初始质心K值是聚类结果中类
转载
2023-06-21 21:45:37
244阅读
I . K-NN 简介II . K-NN 分类III . K-NN 分类实例IV . K-NN 分类 准确性评估方法V . 保持法VI . kk-交叉确认法VII . K-NN 分类结果评价指标VIII . 分类 判定 二维表IX . 准确率X . 召回率XI . 准确率与召回率关联XII . 准确率 与 召回率 综合考虑
原创
2022-03-09 10:11:44
634阅读
说来这个聚类算法的实现是数据挖掘课程的第三次作业了，前两次的作业都是利用别人的软件，很少去自己实现一个算法，第一个利用sqlserver2008的商业智能工具实现一个数据仓库，数据处理，仓库模型的建立绕，维度表，事实表的创建，不过考试的时候应该也会有数据仓库常用模型的建立吧；第二次利用weka的分类和关联规则算法跑一些提供的数据，其实那些算法的参数原理都不晓得；&nbs
转载
2023-08-24 13:02:00
58阅读
1）UpsampleCLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None)上采样一个给定的多通道的 1D (temporal,如向量数据), 2D (spatial，如jpg、png等图像数据) or 3D (volumetric，如点云数据)数据假设输入数据的格式为minibatch x channels x [optional depth] x [optional he
原创
2021-08-12 22:16:28
4198阅读
链式攻击：指攻击者通过对发布的数据和其他渠道获取的外部数据进行链接操作，以推理出隐私数据，从而造成隐私泄露，相当于一种个人信息维度的扩充。 K-匿名算法就是为了解决链式攻击。工作原理：通过概括（对数据进行更加概括、抽象的描述）和隐匿（不发布某些数据项）技术，发布精度较低的数据，使得每条记录至少与数据表中其他k-1 条记录具有完全相同的准标识符属性值，从而减少链接攻击所导致的隐私泄露。攻击方法：同质
转载
2023-10-08 10:02:13
265阅读
1. KNN (k-Nearest Neighbor)k近邻算法是一种基本分类与回归方法。k近邻法假设给定一个训练数据集，其中的实例类别一定。分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方法进行预测。因此k近邻算法不具有显式的学习过程。k近邻实际上是利用训练数据集对特征向量空间进行划分，并作为其分类的模型。 k近邻的三个基本要素是：k值的选择，距离的度量以及分类决策规则。
转载
2023-08-30 21:24:08
0阅读
隐私保护数据发布PPDP (Privacy Preserving Data Publishing)数据发布是数据管理、数据挖掘、信息共享应用中的一个重要环节。数据扰乱：是一种数据失真技术，主要通过添加噪声的方式对原始数据进行随机扰动，使敏感数据失真，但扰动的过程保持数据的统计不变性，以便可继续对其进行统计分析。数据加密：通过数据加密的技术，通过隐藏敏感数据的方式保护隐私，虽能保证数据的准确性和安全
