在大数据环境下，K近邻多标签算法（ML-KNN）高时间复杂度的问题显得尤为突出；此外，ML-KNN也没有考虑k个近邻对最终分类结果的影响。针对上述问题进行研究，首先将训练集进行聚类，再为测试集找到一个距离其最近的训练数据簇作为新的训练数据集；然后计算最近邻样本的距离权重，并用该权重描述最近邻和其他近邻对预测结果的影响；最后使用新的目标函数为待测样本分类。通过在图片、Web页面文本数据等数据集上的实验表明，所提算法得到了更好的分类结果，并且大大降低了时间复杂度。

PMI值得估计方法，非参数，采用KNN最近邻法

可以通过给定的正因子缩放给定的图像。 复制nearest_neighbor_zoom.m 文件和应该放大到您的工作目录的图像文件。 如果图像文件的名称是 image.jpg 并且需要的缩放系数是 2.23， 在命令窗口上运行以下命令。 Nearest_neighbor_zoom('image.jpg',2.23); 留下你的评论...

K最近邻(k-Nearest Neighbor，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：在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。

基于K近邻分类算法的语音情感识别matlab代码模板

基于K近邻分类算法的情感识别matlab仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

为了验证股票的价格运动与过去应该是相似的这一假设，运用K近邻算法，将价格运动简单划分为涨跌两类进行预测，进行假设验证。使用滑窗方法比较现在的价格运动与何时的历史价格更为相似，将多个K近邻模型组合成集成模型，实现模型的泛化和策略收益的调整。使用中证500指数的历史价格数据进行预测实证，2017年～2018年9月的预测结果显示单个K近邻模型策略获得76.72%的收益，现在的价格运动与遥远的过去更为相似，集成模型能更好地控制风险。该模型利用K近邻模型的含义验证了股票价格运动具有相似性，可以作为证券交易的择时策略。

java实现的KD树代码，实现了最近邻查询

低秩表示，加速近邻梯度法function [A_hat,E_hat,numIter,ca,e] = proximal_gradient_rpca(D, lambda,... maxIter, tol, lineSearchFlag, ... continuationFlag, eta, mu, outputFileName )

机器学习与算法源代码7： K近邻算法.zip