2020-10-19 21:18:53

docs/ml/2.md

@@ -1,7 +1,7 @@
 # 第2章 k-近邻算法
 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script>
 
-![k-近邻算法_首页](http://data.apachecn.org/img/AiLearning/ml/2.KNN/knn_headPage_xy.png "k-近邻算法首页")
+![k-近邻算法_首页](img/knn_headPage_xy.png "k-近邻算法首页")
 
 ## KNN 概述
 
@@ -21,7 +21,7 @@
 
 基于电影中的亲吻、打斗出现的次数，使用 k-近邻算法构造程序，就可以自动划分电影的题材类型。
 
-![电影视频案例](http://data.apachecn.org/img/AiLearning/ml/2.KNN/knn-1-movie.png "电影视频案例")
+![电影视频案例](img/knn-1-movie.png "电影视频案例")
 
 ```
 现在根据上面我们得到的样本集中所有电影与未知电影的距离，按照距离递增排序，可以找到 k 个距离最近的电影。
@@ -162,7 +162,7 @@ plt.show()
 
 下图中采用矩阵的第一和第二列属性得到很好的展示效果，清晰地标识了三个不同的样本分类区域，具有不同爱好的人其类别区域也不同。
 
-![Matplotlib 散点图](http://data.apachecn.org/img/AiLearning/ml/2.KNN/knn_matplotlib_2.png)
+![Matplotlib 散点图](img/knn_matplotlib_2.png)
 
 * 归一化数据 （归一化是一个让权重变为统一的过程，更多细节请参考:  https://www.zhihu.com/question/19951858 ）
 
@@ -194,7 +194,7 @@ $$\sqrt{(0-67)^2 + (20000-32000)^2 + (1.1-0.1)^2 }$$
 
     如图: 
     
-    ![对数函数图像](http://data.apachecn.org/img/AiLearning/ml/2.KNN/knn_1.png)
+    ![对数函数图像](img/knn_1.png)
 
 3) 反余切函数转换，表达式如下: 
 
@@ -202,7 +202,7 @@ $$\sqrt{(0-67)^2 + (20000-32000)^2 + (1.1-0.1)^2 }$$
 
     如图: 
     
-    ![反余切函数图像](http://data.apachecn.org/img/AiLearning/ml/2.KNN/arctan_arccot.gif)
+    ![反余切函数图像](img/arctan_arccot.gif)
 
 4) 式(1)将输入值换算为[-1,1]区间的值，在输出层用式(2)换算回初始值，其中和分别表示训练样本集中负荷的最大值和最小值。　
     
@@ -363,7 +363,7 @@ You will probably like this person: in small doses
 
 目录 [trainingDigits](/data/2.KNN/trainingDigits) 中包含了大约 2000 个例子，每个例子内容如下图所示，每个数字大约有 200 个样本；目录 [testDigits](/data/2.KNN/testDigits) 中包含了大约 900 个测试数据。
 
-![手写数字数据集的例子](http://data.apachecn.org/img/AiLearning/ml/2.KNN/knn_2_handWriting.png)
+![手写数字数据集的例子](img/knn_2_handWriting.png)
 
 > 准备数据: 编写函数 img2vector(), 将图像文本数据转换为分类器使用的向量