1. 如何用python實現knn演算法
1. 數據分類：離散型標簽 2. 數據回歸：連續型標簽 近鄰演算法的准則是：尋找接近新數據點的訓練樣本的數目，根據訓練樣本的信息來預測新數據點的某些信息。
2. KNN演算法，結果報錯，幫忙怎麼改
knn演算法(k-Nearest Neighbor algorithm).是一種經典的分類演算法.
注意,不是聚類演算法.所以這種分類演算法必然包括了訓練過程.
然而和一般性的分類演算法不同,knn演算法是一種 懶惰演算法 .它並非
像其他的分類演算法先通過訓練建立分類模型.,而是一種被動的分類
過程.它是邊測試邊訓練建立分類模型.
演算法的一般描述過程如下:
1.首先計算每個測試樣本點到其他每個點的距離.
這個距離可以是歐氏距離,餘弦距離等.
3. 文本分類器（基於KNN演算法），語言最好是Matlab的，有測試數據集。。。。
function [ccr,pgroupt]=knnt(x,group,K,dist,xt,groupt)
%#
%# AIM: to classify test set objects or unknown objects with the
%# K Nearest Neighbour method
%#
%# PRINCIPLE: KNN is a supervised, deterministic, non-parametric
%# classification method. It uses the majority rule to
%# assign new objects to a class.
%# It is assumed that the number of objects in each class
%# is similar.
%# There are no assumptions about the data distribution and
%# the variance-covariance matrices of each class.
%# There is no limitation of the number of variables when
%# the Euclidean distance is used.
%# However, when the correlation coefficient is used, the
%# number of variables must be larger than 1.
%# Ref: Massart D. L., Vandeginste B. G. M., Deming S. N.,
%# Michotte Y. and Kaufman L., Chemometrics: a textbook,
%# Chapter 23, 395-397, Elsevier Science Publishers B. V.,
%# Amsterdam 1988.
%#
%# INPUT: x: (mxn) data matrix with m objects and n variables,
%# containing samples of several classes (training set)
%# group: (mx1) column vector labelling the m objects from the
%# training set
%# K: integer, number of nearest neighbours
%# dist: integer,
%# = 1, Euclidean distance
%# = 2, Correlation coefficient, (No. of variables >1)
%# xt: (mtxn) data matrix with mt objects and n variables
%# (test set or unknowns)
%# groupt: (mtx1) column vector labelling the mt objects from
%# the test set
%# --> if the new objects are unknown, input [].
%#
%# OUTPUT: ccr: scalar, correct classification rate
%# pgroupt:row vector, predicted class label for the test set
%# 0 means that the object is not classified to any
%# class
%#
%# SUBROUTINES: sortlab.m: sorts the group label vector into classes
%#
%# AUTHOR: Wen Wu
%# Copyright(c) 1997 for ChemoAc
%# FABI, Vrije Universiteit Brussel
%# Laarbeeklaan 103 1090 Jette
%#
%# VERSION: 1.1 (28/02/1998)
%#
%# TEST: Andrea Candolfi
%#
function [ccr,pgroupt]=knnt(x,group,K,dist,xt,groupt);
if nargin==5, groupt=[]; end % for unknown objects
distance=dist; clear dist % change variable
if size(group,1)>1,
group=group'; % change column vector into row vector
groupt=groupt'; % change column vector into row vector
end;
[m,n]=size(x); % size of the training set
if distance==2 & n<2, error('Number of variables must > 1'),end % to check the number of variables when using correlation coefficient
[mt,n]=size(xt); % size of the test set
dis=zeros(mt,m); % initial values for the distance (matrix of zeros)
% Calculation of the distance for each test set object
for i=1:mt
for j=1:m % between each training set object and each test set object
if distance==1
dis(i,j)=(xt(i,:)-x(j,:))*(xt(i,:)-x(j,:))'; % Euclidian distance
else
r=corrcoef(xt(i,:)',x(j,:)'); % Correlation coefficient matrix
r=r(1,2); % Correlation coefficient
dis(i,j)=1-r*r; % 1 - the power of correlation coefficient
end
end
end
% Finding of the nearest neighbours
lab=zeros(1,mt); % initial values of lab
for i=1:mt % for each test object
[a,b]=sort(dis(i,:)); % sort distances
b=b(find(a<=a(K))); % to find the nearest neighbours indices
b=group(b); % the nearest neighbours objects
[ng,lgroup]=sortlab(b); % calculate the number of objects from each class in the nearest neighbours
a=find(ng==max(ng)); % find the class with the maximum number of objects
if length(a)==1 % only one class
lab(i)=lgroup(a); % class label
else
lab(i)=0; % more than one class
end
end
% Calculation of the success rate
if ~isempty(groupt)
dif=groupt-lab; % difference between predicted class label and known class label
ccr=sum(dif==0)/mt; % success rate
end
pgroupt=lab; % the output vector
4. 什麼是knn演算法
作為一種非參數的分類演算法，K-近鄰（KNN）演算法是非常有效和容易實現的。它已經廣泛應用於分類、回歸和模式識別等。在應用KNN演算法解決問題的時候，要注意兩個方面的問題——樣本權重和特徵權重。利用SVM來確定特徵的權重，提出了基於SVM的特徵加權演算法（FWKNN,feature
weighted
KNN）。實驗表明，在一定的條件下，FWKNN能夠極大地提高分類准確率。
5. knn演算法是什麼
KNN（K- Nearest Neighbor）法即K最鄰近法，最初由Cover和Hart於1968年提出，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。
作為一種非參數的分類演算法，K-近鄰（KNN）演算法是非常有效和容易實現的。它已經廣泛應用於分類、回歸和模式識別等。
介紹
KNN演算法本身簡單有效，它是一種lazy-learning演算法，分類器不需要使用訓練集進行訓練，訓練時間復雜度為0。KNN分類的計算復雜度和訓練集中的文檔數目成正比，也就是說，如果訓練集中文檔總數為n，那麼KNN的分類時間復雜度為O(n)。
KNN方法雖然從原理上也依賴於極限定理，但在類別決策時，只與極少量的相鄰樣本有關。由於KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對於類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。
6. KNN演算法小例子看不懂
給樣本數據集T={2,4,10,12,3,20,22,21,11,24}
t={18},K=4
1. N={2,4,10,12},d1=16,d2=14,d3=8,d4=6
2.d={3},比較,N={4,10,12,3},d1=14,d2=8,d3=6,d4=15
3.d={20},比較,N={4,10,12,20},d1=14,d2=8,d3=6,d4=2
4.d={22},比較,N={10,12,20,22},d1=8,d2=6,d3=2,d4=4
5.d={21},比較,N={12,20,22,21},d1=6,d2=2,d3=4,d4=3
6.d={11},比較,N={12,20,22,21},d1=6,d2=2,d3=4,d4=3
7.d={24},比較, N={20,22,21,24},d1=2,d2=4,d3=3,d4=6
t屬於{20,22,21,24}所在的類.
7. Python培訓哪裡最好
那麼為了避免這種情況的出現，我們可以參照以下幾種篩選方法，選出適合自己的培訓機構。
一、看培訓機構的品牌、信譽和歷史
隨著Python的火熱，出現了很多新的Python培訓機構。這些培訓機構多是應市場的需求而出現，缺乏培訓的經驗積累和歷史沉澱。培訓機構品牌和信譽相當重要，這是給學員的首要保障。
二、千萬要看講師水平
Python培訓的講師選擇是你必須要仔細分析的。不管是足夠的工作經驗，還是足夠的教學經驗都是必不可少的，缺一不可。
還有不少黑心培訓學校為了節約成本，不管學生能否切實掌握Python開發技能，低價聘請新手Python開發者當講師，或者讓其他學科講師現學Python充當講師，耽誤了無數學生的未來。
三、環境和氛圍很重要
在選擇培訓課程時，不能簡單地認為「貴的就是好的」。可能大家也知道「孟母三遷」的故事。而且，環境可以造就人，但也可能毀掉一個人。可見環境對大家的Python學習影響很大。
而且，如果沒有良好的學習氛圍，你還有心情學習下去嗎?此外，你也可以要求Python培訓機構提供試聽的機會。
四、要看是否有實操機會
如果你參加了Python培訓機構卻只會理論，不懂實際操作，請問還有哪家公司會用你呢?因此實操項目對於學員來說尤為重要。
還有，項目實戰一定要是根據企業用人需要研發的。如果都是在潮流之外的，甚至已經被淘汰的Python技術，學得再好又有什麼用呢?
五、了解自身所需，不被價格左右
學員在選擇培訓機構前必須想清楚課程的設置是否適合自己，老師的經歷是否能滿足職業生涯發展或企業解決方案……主動考慮清楚而非被動地入座。
在選擇培訓機構時，不要受到培訓費用的影響,貴的不一定是好的，相對便宜的也不一定是壞的，關鍵是是否適合自己的需要。
另外，題主還提到：不知道*男孩、*cto這兩家怎麼樣，不知道兩個是不是同一家。我只想說，一定要去實地考察，試學一兩個星期看看。
這樣你才能知道機構的學習氛圍，老師是不是認真負責，才能真正了解自己是否適合從事Python方面的工作。
有些培訓機構只重視臨時利益，教學質量差，"一錘子交易"現象嚴峻。還有一些Python培訓機構既沒有標准化教材及教學方法，沒有正規教師，更沒有契合市場主流的培訓課程。搗亂了市場秩序，也極大地影響了培訓業的健康發展。
在這里，還想跟你說一點：正所謂「師傅領進門，修行靠個人」，所以如果你自己不花時間，不肯下功夫苦學，無論Python培訓機構再怎麼好，也不能保證你找到好工作。