其中有几个问题需要特别注意，这里只是简单的实现了KNN算法，其中还要考虑K值的选取等问题。比如这里由于是手动构造的样本数据，数据量太少，K值便不能设太大，否则对模型进行检验时会有误差。

文件中包含SVM，CNN，KNN三种分类算法，用于机器学习和神经网络，m文件可直接调用

VehicleColorID 使用YOLOv3进行对象分割，并使用颜色直方图和kNN分类器进行颜色识别。 需要图书馆 OpenCV-4.2 枕头-6.1 脾气暴躁-1.18.1 Matplotlib-3.1.3 其他需求 Darknet和YOLOv3 cfg和权重已安装。 按照上的说明安装Darknet。 color_feature_extractor和knn模块需要与VehicleColorID文件放置在同一文件夹中。 这些文件应放置要检测的颜色数据集。 训练数据生成 使用以下命令运行color_feature_extractor.py：python color_feature_extractor.py --path $ COLOR_DATASET_PATH $ 运行分类器 在COCO数据集上预训练的YOLOv3用作对象检测器，基于颜色的kNN分类器可预测检测到的对象的颜色。

kNN分类基本算法库，应用时修改createDataSet里的数据集取得group与labels，通过调用classify0(新数据，group, labels, K值)方法进行分类。备注很仔细，可以参考学习。

主要为大家详细介绍了python机器学习之KNN分类算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

CIFAR10-KNN分类

NULL 博文链接：https://zy3381.iteye.com/blog/1937880

使用R的集成方法 ######我已经完成了关于集成方法的个人项目（论文）。 首先，我对不同的集成方法进行了背景研究，然后在基础机器学习算法上实现了Boosting，AdaBoost，Bagging和随机森林技术。 我使用了提升方法来提高弱小的学习者（如决策树桩）的性能。 为决策树（包括回归和分类问题）和KNN分类器实施装袋。 将随机森林用作分类树。 我已经在使用不同阈值的逻辑回归算法上实现了一种特殊的增强算法，称为“ AdaBoost”。 然后绘制不同的图形，例如错误率与增强，装袋和随机森林迭代的关系。 比较装袋与提振的结果。 在应用集成方法之前和应用集成方法之后，分析了分类器的性能。 使用了诸如交叉验证，MSE，PRSS，ROC曲线，混淆矩阵和袋外误差估计之类的不同模型评估技术来评估集成技术的性能。

KNN分类算法和人脸分类训练样本

ML模型 使用葡萄酒质量数据集的KNN分类模型