XiaoMi-AI文件搜索系统
World File Search SystemKNN
研究文章的一个混合LSTM-KNN检测市场微观结构异常的框架：信用DEFA中的高频跳跃行为的证据
本文提出了一个新型混合LSTM-KNN框架，用于检测高频信用违约互换（CDS）市场中市场微观结构异常。该框架将长期短期记忆网络的时间学习能力与K-Nearthert邻居分类的模式识别强度相结合，以识别价格上涨和市场异常。通过分析2020年至2023年的高频CD市场数据，包括来自五个主要CD指数的250万个数据点，该研究表明跳跃检测准确性有了显着提高。混合模型的准确率达到92.8％，与独立的深度学习方法相比，比传统统计方法提高了15.2％，增强了8.5％。该框架保持计算效率，平均处理延迟为48.2毫秒，从而实现了实时市场应用。经验分析揭示了检测到的跳跃与市场流动性状况之间的密切相关性，而投标差价和订购书籍失衡被确定为关键预测指标。该研究在风险管理和市场监视中对市场微观结构动态和实际应用有助于理论理解。
使用KNN算法方法的心脏病预测S. Ghouhar Taj和K. Kalaivani计算机科学与工程系Vels Institute
机器了解和基于记录的完全预测和诊断冠状动脉疾病的技术可能是一项非凡的医疗收益，但这是改进的主要意义。在许多国家 /地区，可能缺乏心血管专业人员，并且可以通过对虚拟患者信息的医疗决策分析来建立正确且强大的早期心脏预测来解决大量误诊的实例。这是针对目的，以挑选出过多的跨性能设备，以了解用于此类诊断目的的变体。已经使用了几种使用小工具到知识的算法，这些算法可能与预测心脏病的准确性和准确性相比。每个细节的重要性得分限制为除MLP和KNN以外使用的所有算法。所有元素都是完全基于成本点来计算的，以找到提供高危险冠心病预后的人。外观发现，使用Kaggle的3段心脏数据库，基于Pro-K（KNN），选择树（DT）和随机森林（RF）RF技术算法完成了97-2％的精度和97.2％的敏感性。因此，我们观察到，可以使用一组规则的易于监督的机器可以使用最佳的准确性和最令人满意的用途来使冠心病的猜想。关键字：MLP，KNN，选择树，随机森林，心脏数据库。
与KNN的性能有关的调查...
摘要。这项研究使用三种不同的机器学习算法来构建用于糖尿病预测的模型，并比较每个模型的准确性，这些算法是K最近的邻居（KNN），逻辑回归和特质梯度提升（XGBoost）。这项研究的目标是找到一种用于糖尿病预测的精确算法，这确实是为医生诊断糖尿病的导电性。以这种方式，患者可以按时获得适当的治疗。在构建模型之前，数据集是通过标准缩放和综合少数族裔过度采样（SMOTE）来进行处理的，以平衡类。然后，使用网格搜索简历来找到模型的最佳参数。最后，结果表明，KNN的精度为82％，其次是XGBoost的精度，为79.87％，而Lo-Cistic回归为75.5％。KNN算法的优点是，它仅考虑训练样本与新样本之间的距离，这些距离将在没有任何其他计算的情况下预测。结果，KNN在这三种算法中表现出了最佳性能。将来，本研究可以扩大数据集的大小并尝试更多参数，以便在糖尿病预测模型上获得更高的准确性。
使用 UCI 机器学习糖尿病数据集上的 K 最近邻 (KNN) 方法预测糖尿病
3. 使用 K 最近邻 (KNN) 方法进行分析 K 最近邻 (KNN) 是一种通过考虑现有属性和训练样本来对新对象进行分类的算法。分类不需要使用模型，而仅基于记忆。在该算法中，将在查询点中搜索若干个𝐾个最近的训练点，并根据这些𝐾点中的大多数进行分类。 KNN 采用基于邻域的分类方法，通过计算查询实例到训练样本的最短距离来确定 KNN。 KNN算法对于预测新物体的分类非常简单而且有效。使用KNN方法的步骤如下：
新型 K 近邻与卷积神经网络 (KNN-CNN) 实现精准脑部识别
摘要 - 脑肿瘤分类在早期诊断和有效治疗计划中起着至关重要的作用。在本文中，我们提出了一种新方法，即基于卷积神经网络的 K 最近邻 (KNN-CNN)，用于精确的脑肿瘤分类。所提出的方法结合了 K 最近邻 (KNN) 和卷积神经网络 (CNN) 的优势，同时利用了传统的基于特征的分类和基于深度学习的特征提取。我们使用 CNN 从脑肿瘤图像中学习高级特征，并使用 KNN 根据提取的特征对肿瘤进行分类。在脑肿瘤数据集上的实验结果证明了 KNN-CNN 方法的有效性和效率，实现了高分类准确率并且优于传统方法。关键词：图像挖掘、脑肿瘤、分类、磁共振成像、最近邻；
使用混合机器学习方法提高心脏病的预测准确性：SVM和KNN算法的比较研究
a b s t r a c t全球死亡率是心脏病，而早期鉴定对于限制疾病的发展至关重要。早期检测心血管疾病的方法有助于确定高风险人士应该发生的进展，从而降低了风险。主要目标是通过在心脏情况下识别异常来挽救生命，这将通过识别和分析从心脏信息中产生的原始数据来执行。机器学习可以提供有效的方法来做出决策和创建准确的预测。机器学习技术已在医疗业务中广泛使用。在拟议的研究中提供了一种独特的机器学习技术，以预测心脏病。计划的研究利用了Kaggle的开源心脏病数据集。用于机器学习预测的混合算法是许多以前旨在提高效率并产生改善结果的方法的逻辑混合物。提出的工作引入了一种混合方法，该方法采用分类概念进行预测分析。我们使用实际患者数据来构建一种预测心脏病的混合技术。KNN和SVM分类技术。jupyter笔记本用于实现此混合方法。一种混合技术在心脏病的预测分析中优于其他算法。1。简介从一系列原始数据集收集可用信息和模式的实践通常称为数据挖掘。它包括使用一种或多种技术分析大量数据和发现趋势或模式。它在各种情况下都有用，包括分析，研究和医疗保健。因为数据挖掘是一种调查方法，而且医疗保健的许多出色的早期预测系统已经从医疗数据集中发展，这可以检测大量数据的趋势（J. H. Joloudari等，2019）。提高
应用KNN机器学习和模糊C均值诊断糖尿病
这种疾病在人类中是普遍的。攻击人类的疾病不认识任何人，也不知道年龄。一个人所经历的疾病从普通水平开始，直到可能严重到处于死亡风险的地步。在这项研究中，进行了早期诊断与糖尿病有关的糖尿病是糖尿病是患者体内糖水平低于正常水平的疾病。受害人经历的症状包括频繁的口渴，尿液频繁，频繁饥饿和体重减轻。基于这些问题，需要一个系统可以快速发现患者所经历的诊断。这项研究旨在根据早期症状在早期诊断糖尿病。使用的方法是基于KNN和基于Web的模糊C均值。创建基于Web的系统可以代表医疗人员专家以快速诊断的糖尿病方法。该系统是嵌入糖尿病特征的计算机程序。测试KNN和模糊的C均应用程序的应用和方法对于K-最近的邻居方法的准确度为96％，而对于使用混淆矩阵计算的模糊C-Means方法，获得了96％的精确度，因此可以得出结论，因此可以得出结论，即Fuzzy C-Means方法比K-nearears方法更好。
使用COOT优化和MANET的混合LSTM-KNN分类器设计入侵检测和预防模型
INTRODUCTION: MANET is an emerging technology that has gained traction in a variety of applications due to its ability to analyze large amounts of data in a short period of time.因此，这些系统正面临各种安全漏洞和恶意软件攻击。Therefore, it is essential to design an effective, proactive and accurate Intrusion Detection System (IDS) to mitigate these attacks present in the network.Most previous IDS faced challenges such as low detection accuracy, decreased efficiency in sensing novel forms of attacks, and a high false alarm rate.OBJECTIVES: To mitigate these concerns, the proposed model designed an efficient intrusion detection and prevention model using COOT optimization and a hybrid LSTM-KNN classifier for MANET to improve network security.METHODS: The proposed intrusion detection and prevention approach consist of four phases such as classifying normal node from attack node, predicting different types of attacks, finding the frequency of attack, and intrusion prevention mechanism.初始阶段是通过COOT优化完成的，以找到从正常节点识别攻击节点的最佳信任值。在第二阶段，引入了混合LSTM-KNN模型，以检测网络中各种攻击。第三阶段执行以对攻击的发生进行分类。结果：最后阶段旨在限制系统中存在的攻击节点的数量。The proposed method's effectiveness is validated by some metrics, which achieved 96 per cent accuracy, 98 per cent specificity, and 35 seconds of execution time.结论：该实验分析表明，提出的安全方法有效地减轻了MANET的恶意攻击。
使用COOT优化和MANET的混合LSTM-KNN分类器设计入侵检测和预防模型
简介：MANET是一项新兴技术，由于其能力在短时间内分析大量数据，因此在各种应用程序中获得了吸引力。因此，这些系统正面临各种安全漏洞和恶意软件攻击。因此，必须设计一个有效，积极和准确的入侵检测系统（IDS）来减轻网络中存在的这些攻击。大多数以前的ID都面临着诸如低检测精度，降低新型攻击形式的效率以及高误报率。目标：为了减轻这些关注点，提出的模型使用COOT优化和MANET的混合LSTM-KNN分类器设计了有效的入侵检测和预防模型，以提高网络安全性。方法：拟议的入侵检测和预防方法由四个阶段组成，例如对攻击节点的正常节点进行分类，预测不同类型的攻击，发现攻击的频率以及预防预防机制。初始阶段是通过COOT优化完成的，以找到从正常节点识别攻击节点的最佳信任值。在第二阶段，引入了混合LSTM-KNN模型，以检测网络中各种攻击。第三阶段执行以对攻击的发生进行分类。结果：最后阶段旨在限制系统中存在的攻击节点的数量。拟议方法的有效性通过一些指标验证，该指标的精度达到96％，执行时间为98％和35秒。结论：该实验分析表明，提出的安全方法有效地减轻了MANET的恶意攻击。
使用 KNN 和 MLP 进行基于 MI 的脑信号识别...
摘要：脑电图 (EEG) 信号分类在开发残疾人辅助康复设备中起着重要作用。在此背景下，从 20 名健康人身上获取脑电图数据，然后进行预处理和特征提取过程。提取 12 个时间域特征后，采用两个著名的分类器，即 K 最近邻 (KNN) 和多层感知器 (MLP)。采用五重交叉验证方法将数据分为训练和测试目的。结果表明，MLP 分类器的性能优于 KNN 分类器。MLP 分类器实现了 95% 的分类器准确率，这是最好的。本研究的结果对于在线开发脑电图分类模型以及设计基于脑电图的轮椅非常有用。关键词：运动想象，脑电图信号，KNN，MLP，ICA。介绍