文本相似度分析：
def knn(k,testdata,traindata,labels): trainsize=traindata.shape[0] dif=np.tile(testdata,(trainsize,1))-traindata dif_2=dif**2 row_sum=dif_2.sum(axis=1) distance=row_sum**0.5 sorted_distance=distance.argsort() count={} for i in range(0,k): vote=labels[sorted_distance[i]] count[vote]=count.get(vote,0)+1 count_sort=sorted(count,key=operator.itemgetter(1),reverse=True) count_sort[0][0]
知识点补充：
（axis 的取值方法：0-->表示行，进行列相加 1---->表示列，进行行相加 也就是 0行列相加，1列行相加）
逻辑回归：
决策树（ID3, C4.5, CART）：
聚类算法原理：
bp神经网络：误差往前推
激活函数的说明：激活函数详解--小白入门必备！！
设置PIP源
使用BP神经网络进行手写体数字的识别：
关联规则分析：
apriori原理：
