基于协同过滤的电子商务推荐系统极易遭到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法,为不同类型托攻击选取有效的检测指标.基于选择出的指标,提出两种基于监督学习的托攻击检测算法,第一种算法基于朴素贝叶斯分类;第二种算法基于k近邻分类.最后,通过实验验证了特征选择算法的有效性,及两种算法的灵敏性和特效性.

机器学习knn算法一个案例的数据集（预测酒店入住地位）

matlab生成NW小世界网络的程序，N表示生成网络的阶数，k表示网络中每个节点连接其最近邻节点的数目，p是在任意两个节点之间添加一条连边的概率

单kinect静止场景多帧去噪，工夫域用中值，空间域用最近邻。

这项工作提出了一种提取电流波形特征以识别家用电器的方法。
短时傅立叶变换（STFT）和内核PCA技术用于提取这些特征。
一旦定义了特征，分类器k-最近邻(kNN)、支持向量机(SVM)、线性判别分析(LDA)、随机森林(RF)和极限学习机(ELM)被用于设备（??或组合）电器）标识。
PS：ELM算法摘自http://www.ntu.edu.sg/eee/icis/cv/egbhuang.htm并顺应本工作

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。