1. 如何用python实现knn算法
1. 数据分类：离散型标签 2. 数据回归：连续型标签 近邻算法的准则是：寻找接近新数据点的训练样本的数目，根据训练样本的信息来预测新数据点的某些信息。
2. KNN算法，结果报错，帮忙怎么改
knn算法(k-Nearest Neighbor algorithm).是一种经典的分类算法.
注意,不是聚类算法.所以这种分类算法必然包括了训练过程.
然而和一般性的分类算法不同,knn算法是一种 懒惰算法 .它并非
像其他的分类算法先通过训练建立分类模型.,而是一种被动的分类
过程.它是边测试边训练建立分类模型.
算法的一般描述过程如下:
1.首先计算每个测试样本点到其他每个点的距离.
这个距离可以是欧氏距离,余弦距离等.
3. 文本分类器（基于KNN算法），语言最好是Matlab的，有测试数据集。。。。
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. 什么是knn算法
作为一种非参数的分类算法，K-近邻（KNN）算法是非常有效和容易实现的。它已经广泛应用于分类、回归和模式识别等。在应用KNN算法解决问题的时候，要注意两个方面的问题——样本权重和特征权重。利用SVM来确定特征的权重，提出了基于SVM的特征加权算法（FWKNN,feature
weighted
KNN）。实验表明，在一定的条件下，FWKNN能够极大地提高分类准确率。
5. knn算法是什么
KNN（K- Nearest Neighbor）法即K最邻近法，最初由Cover和Hart于1968年提出，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。
作为一种非参数的分类算法，K-近邻（KNN）算法是非常有效和容易实现的。它已经广泛应用于分类、回归和模式识别等。
介绍
KNN算法本身简单有效，它是一种lazy-learning算法，分类器不需要使用训练集进行训练，训练时间复杂度为0。KNN分类的计算复杂度和训练集中的文档数目成正比，也就是说，如果训练集中文档总数为n，那么KNN的分类时间复杂度为O(n)。
KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
6. KNN算法小例子看不懂
给样本数据集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},比较,N={4,10,12,3},d1=14,d2=8,d3=6,d4=15
3.d={20},比较,N={4,10,12,20},d1=14,d2=8,d3=6,d4=2
4.d={22},比较,N={10,12,20,22},d1=8,d2=6,d3=2,d4=4
5.d={21},比较,N={12,20,22,21},d1=6,d2=2,d3=4,d4=3
6.d={11},比较,N={12,20,22,21},d1=6,d2=2,d3=4,d4=3
7.d={24},比较, N={20,22,21,24},d1=2,d2=4,d3=3,d4=6
t属于{20,22,21,24}所在的类.
7. Python培训哪里最好
那么为了避免这种情况的出现，我们可以参照以下几种筛选方法，选出适合自己的培训机构。
一、看培训机构的品牌、信誉和历史
随着Python的火热，出现了很多新的Python培训机构。这些培训机构多是应市场的需求而出现，缺乏培训的经验积累和历史沉淀。培训机构品牌和信誉相当重要，这是给学员的首要保障。
二、千万要看讲师水平
Python培训的讲师选择是你必须要仔细分析的。不管是足够的工作经验，还是足够的教学经验都是必不可少的，缺一不可。
还有不少黑心培训学校为了节约成本，不管学生能否切实掌握Python开发技能，低价聘请新手Python开发者当讲师，或者让其他学科讲师现学Python充当讲师，耽误了无数学生的未来。
三、环境和氛围很重要
在选择培训课程时，不能简单地认为“贵的就是好的”。可能大家也知道“孟母三迁”的故事。而且，环境可以造就人，但也可能毁掉一个人。可见环境对大家的Python学习影响很大。
而且，如果没有良好的学习氛围，你还有心情学习下去吗?此外，你也可以要求Python培训机构提供试听的机会。
四、要看是否有实操机会
如果你参加了Python培训机构却只会理论，不懂实际操作，请问还有哪家公司会用你呢?因此实操项目对于学员来说尤为重要。
还有，项目实战一定要是根据企业用人需要研发的。如果都是在潮流之外的，甚至已经被淘汰的Python技术，学得再好又有什么用呢?
五、了解自身所需，不被价格左右
学员在选择培训机构前必须想清楚课程的设置是否适合自己，老师的经历是否能满足职业生涯发展或企业解决方案……主动考虑清楚而非被动地入座。
在选择培训机构时，不要受到培训费用的影响,贵的不一定是好的，相对便宜的也不一定是坏的，关键是是否适合自己的需要。
另外，题主还提到：不知道*男孩、*cto这两家怎么样，不知道两个是不是同一家。我只想说，一定要去实地考察，试学一两个星期看看。
这样你才能知道机构的学习氛围，老师是不是认真负责，才能真正了解自己是否适合从事Python方面的工作。
有些培训机构只重视临时利益，教学质量差，"一锤子交易"现象严峻。还有一些Python培训机构既没有标准化教材及教学方法，没有正规教师，更没有契合市场主流的培训课程。捣乱了市场秩序，也极大地影响了培训业的健康发展。
在这里，还想跟你说一点：正所谓“师傅领进门，修行靠个人”，所以如果你自己不花时间，不肯下功夫苦学，无论Python培训机构再怎么好，也不能保证你找到好工作。