《表1 不同近邻个数k下ML-kNN算法的实验结果（平均值±标准差）》
提示：宽带有限、当前游客访问压缩模式
ML-kNN算法的结果如表1所示，分析了k近邻中k取值范围从5到12变化。发现当k=6时，总体的效果最好。
| 图表编号 | XD00129377300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.04.01 |
| 作者 | 吴怊慧 |
| 绘制单位 | 北京交通大学计算机与信息技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 两个数据集上各种算法在不同近邻个数下的平均绝对差》2020.09.10
- 《表3 三种算法在两种环境下的超体积（均值和标准差）结果》2020.08.10
- 《表8 五种算法的改进算法在平均值与标准差实验结果比较》2020.11.15
- 《表6 六种算法平均值与标准差实验结果比较》2020.11.15
- 《表2 注视点个数在不同情境下的均值与标准差》2020.08.20
- 《表1 精确算法：空间多样化约束下的移动k近邻查询》2020.07.15
- 《表2 实验结果：基于K近邻和粒子群优化的特征选择算法》2020.03.25
- 《表3 不同r下的LIFT算法的实验结果（平均值±标准差）》2020.04.01
- 《表4 不同聚类个数m下的ML-LOC算法的实验结果（平均值±标准差）》2020.04.01
- 《表2 不同权重参数α下hMuLab算法的实验结果（平均值±标准差）》2020.04.01
- 《表2 实验数据集的大小：基于k近邻密度峰值聚类混合算法的网络入侵检测》2019.12.25
- 《表2 实验误差分析：基于Mean-Shift和加权K近邻的UWB指纹定位算法》2020.02.20
- 《表1 不同条件下实验词语的平均反应时（ms）和标准差》2019.11.15
- 《表2 不同K近邻个数所得预测结果的平均绝对值误差》2019.06.01
- 《表2 不同实验条件下反应时的平均数 (标准差) (ms)》2019.05.20
- 《表1 不同实验条件下正确率的平均数 (标准差) (%)》2019.05.20
- 《表3 实验结果误差：基于K最近邻算法的城市路段行程时间短时预测》2019.07.15
- 《表手写字母分类准确率与最近邻个数K的关系》2019.01.28
- 《表1 不同实验条件下再认率的平均数和标准差》2019.04.25
- 《表7 不同近邻参数下算法均值实验结果》2019.01.30