bilvqing108的博客

k近邻算法的原理、示例与分析 代码参考书籍 Python机器学习基础教程. Andreas C.muller, Sarah Guido著（张亮 译）. 北京：人民邮电出版社，2018.1(2019.6重印) 实现环境 System：Ubuntu server 20.04 (Jupyter notebook) GPU：GeForce GTX 1080Ti（2块） Driver Version: 450.36.06 CUDA Version: 11.0 Python Version: 3 .8.5 Tensor

基于scikit-learn的鸢尾花分类实例 代码参考书籍：Python机器学习基础教程. Andreas C.muller, Sarah Guido著（张亮 译）. 北京：人民邮电出版社，2018.1(2019.6重印) 根据已知品种的鸢尾花测量数据，构建机器学习模型，这是一个监督学习的问题。 在多个选项中预测其中一个结果，这个一个分类问题。 分类的每一个可能输出叫做类别。  1. 初始数据 #从scikit-lea

k-近邻算法概述 定义：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 。 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。 工作原理：存在一个有标签的训练样本集；输入一个没有标签的新数据，将新数据的每个特征与样本集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。一般选择样本集中前k个最相似的数据，这就是k-近邻的出处。最后，选择k个最相似数据中出现测试最多的分类做为新数据的分类。 实现环境 Syst