Redis简介：redis是一个key-value存储系统，相比传统的关系型数据库，拥有高性能的特点，源于redis大部分数据缓存在内存中，读写性能非常高。但数据安全性较关系型数据库低，在存储系统发生故障时会丢失一部分数据，且不可恢复。所以redis不能提供强一致性，只能保证最终一致性.Redis支持的数据类型（五种）：String（字符串、整数、浮点数）、List（列表）、Set（无序集合，不可
转载
2024-06-10 20:15:53
14阅读
GeoHash算法Redis 在 3.2 版本以后增加了地理位置 GEO 模块。Redis 也使用 GeoHash 算 法。GeoHash 算法将二维的经纬度数据映射到一维的整数，这样所有的元素都将在挂载到一 条线上，距离靠近的二维坐标映射到一维后的点之间距离也会很接近。当我们想要计算「附 近的人时」，首先将目标位置映射到这条线上，然后在这个一维的线上获取附近的点就行 了。那这个映射算法具体是怎样
转载
2024-01-03 08:52:58
15阅读
近水楼台–GeoHashreids 在3.2版本以后增加了地理位置Geo模块GeoHash算法业界比较通用的地理位置距离排序算法是GeoHash算法，Redis也使用GeoHash算法。GeoHash算法将二维的经纬度数据映射到一维的整数，这样所有的元素都将挂载到一条线上，距离靠近的二维坐标映射到一维后的点之间的距离也会很接近。可以设想一下切蛋糕法。设想一个正方形的蛋糕摆在你面前，两刀下去均分分成
转载
2024-01-12 09:44:45
52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
88阅读
简单地说，k近邻算法采用测量不同特征值之间的距离方法进行分类。k-近邻算法优点：精度高、对异常值不敏感、无数据输入假定。缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征
转载
2023-10-15 00:04:00
58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
103阅读
1. 写在前面如果想从事数据挖掘或者机器学习的工作，掌握常用的机器学习算法是非常有必要的，常见的机器学习算法：监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等无监督算法：聚类，降维，关联规则, PageRank等为了详细的理解这些原理，曾经看过西瓜书，统计学习方法，机器学习实战等书，也听过一些机器学习的课程，但总感觉话语里比较深奥，读起来没有耐心
HyperLogLog算法是一种非常巧妙的近似统计海量去重元素数量的算法。它内部维护了 16384 个桶（bucket）来记录各自桶的元素数量。当一个元素到来时，它会散列到其中一个桶，以一定的概率影响这个桶的计数值。因为是概率算法，所以单个桶的计数值并不准确，但是将所有的桶计数值进行调合均值累加起来，结果就会非常接近真实的计数值。 为了便于理解HyperLogLog算法，我们先简化它的计数逻辑。
文章目录Redis GEOgeoaddgeoposgeodistgeoradius、georadiusbymembergeohashRedis GEORedis GEO 主要用于存储地
原创
2022-05-26 01:22:50
221阅读
一般常用的地方： 当我们的做需求的时候会有这样的需求，如当我们需要做位置定位，或者我们需要知道当前所在位置坐标（经度，维度，位置名字），或者去寻找多少米内的建筑位置 或者是建筑个数，这个我们可以利用redis的GEO地理定位计算可以得出，数据库中存放商家的经纬度（坐标），通过geo计算得出距离。关于 Redis Geo介绍1、Redis 的 Geo 是在 3.2 版本才有的2、使用 geoha
转载
2021-05-05 20:18:53
386阅读
2评论
什么是K近邻算法 何谓K近邻算法，即K-Nearest Neighbor algorithm，简称KNN算法，单从名字来猜想，可以简单粗暴的认为是：K个最近的邻居，当K=1时，算法便成了最近邻算法，即寻找最近的那个邻 居。为何要找邻居？打个比方来说，假设你来到一个陌生的村庄，现在你要找到与你...
转载
2022-01-05 10:07:01
118阅读
定义K最近邻(k-NearestNeighbor，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近邻距离的计算在KNN中，通过计算对象间距离来作为各个对象之间的非相似性指标，距离一般使用欧氏距离或曼哈顿距离：
原创
2019-02-02 01:18:36
450阅读
1.何为redis？官网地址：https://redis.io/ Redis is an in-memory database open-source software project implementing a networked, in-memory key-value store with optional durability. Redis是一个开源的、使用C语言编写的、支持网络交互的、
转载
2024-06-04 10:14:32
50阅读
K最邻近密度估计技术是一种分类方法，不是聚类方法。不是最优方法，实践中比较流行。通俗但不一定易懂的规则是：1.计算待分类数据和不同类中每一个数据的距离（欧氏或马氏）。2.选出最小的前K数据个距离，这里用到选择排序法。3.对比这前K个距离，找出K个数据中包含最多的是那个类的数据，即为待分类数据所在的类。不通俗但严谨的规则是：给定一个位置特征向量x和一种距离测量方法，于是有：1.在N个训练向量外，不考
转载
2023-07-03 16:55:58
126阅读
k近邻算法1、k近邻算法，其中 表示样本的特征向量， 是对应的标签。通过这组数据可以构建一个k近邻模型。在测试阶段，给定一个样本 ，计算其与所有其他训练样本的距离，并得到最近的k个样本，这k个样本中类标最多的作为当前样本 的预测结果。 值的选择是该算法唯一的一个超参数。其表示在判断所给定样本的类时，所挑选附近点的个数。如果 值过大，说明周围的点数量越多，距离越远的点也会起到分类的作用，模型变得
原创
2022-12-22 02:27:03
75阅读
KNN 概述k-近邻（kNN, k-NearestNeighbor）算法是一种基本分类与回归方法，我们这里只讨论分类问题中的 k-近邻算法。一句话总结：近朱者赤近墨者黑！ 工作原理： 存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后
目录1.K-近邻算法(KNN)概念2.k近邻算法api --Scikit-learn工具K-近邻算法API3.距离公式： 欧式距离曼哈顿距离切比雪夫距离闵可夫斯基距离4.K近邻算法的K值选取5. kd树 1.K-近邻算法(KNN)概念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。2.k近
转载
2023-06-26 09:45:00
150阅读
一、KNN算法简介K最近邻算法简称为KNN算法，属于监督学习中的一种分类算法，是最简单最基本的一种分类算法。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。Github项目-100-Days-Of-ML-Code算法流程：将每个样本视作一个点载入数据集，对数据进行必要的预处理设置参数K，K最好选择奇数，因为后续进行归类的策略是少数服从多数，设置K为奇数的话总
转载
2023-11-03 13:46:30
173阅读
文章目录Kneighbors 算法分类和回归距离的度量算法的优缺点算法案例分类任务回归任务 Kneighbors 算法分类和回归k近邻算法属于有监督学习算法，是一种基本的分类和回归算法。算法的原理：对一个未分类的数据，通过与它相邻且距离最近的k个已分类的实例来投票，从而确定其所属的类别，即与它距离最近的k个实例多数归属的类别就是此分类实例的类别。简单理解为近朱者赤近墨者黑。一般k值选择的不同，会
转载
2024-05-08 17:41:09
58阅读
首先，K-近邻算法(KNN)主要用于分类问题，是采用测量不同特征值之间的距离方法进行分类。原理：存在一个样本数据集合，也称为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据(最近邻)的分类标签。一般来说，我们只选择样本数据集中前K个最相似的数据，
转载
2023-07-06 23:22:31
71阅读
