[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-markdregan--K-Nearest-Neighbors-with-Dynamic-Time-Warping":3,"tool-markdregan--K-Nearest-Neighbors-with-Dynamic-Time-Warping":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159636,2,"2026-04-17T23:33:34",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":79,"difficulty_score":32,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":123},8904,"markdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping","K-Nearest-Neighbors-with-Dynamic-Time-Warping","Python implementation of KNN and DTW classification algorithm","K-Nearest-Neighbors-with-Dynamic-Time-Warping 是一个专为时间序列分类设计的 Python 开源实现，巧妙结合了 K 近邻（KNN）算法与动态时间规整（DTW）技术。在处理如传感器数据、金融走势或生物信号等随时间变化的数据时，传统分类方法往往难以应对数据在时间轴上的伸缩或错位问题，而该工具通过 DTW 技术灵活对齐时间序列，显著提升了分类准确率。\n\n研究表明，在时间序列分类任务中，结合 DTW 的 1-近邻算法表现极佳，甚至难以被其他复杂模型超越。本项目不仅提供了核心算法的代码实现，还附带了完整的 Jupyter Notebook 示例，演示如何利用智能手机的加速度计和陀螺仪数据，精准识别行走、坐立、躺卧等人类活动。\n\n这款工具特别适合数据科学家、机器学习研究人员以及需要处理时序数据的开发者使用。无论是进行学术探索，还是构建实际的活动识别系统，它都提供了一个高效、透明且易于上手的基础方案。其代码结构清晰，并集成了进度条可视化等实用细节，方便用户快速理解原理并进行二次开发，是进入时间序列分析领域的优质入门资源。","K Nearest Neighbors & Dynamic Time Warping\n===\n[View IPython notebook](http:\u002F\u002Fnbviewer.ipython.org\u002Fgithub\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping\u002Fblob\u002Fmaster\u002FK_Nearest_Neighbor_Dynamic_Time_Warping.ipynb)\n\nWhen it comes to building a classification algorithm, analysts have a broad range of open source options to choose from. However, for time series classification, there are less out-of-the box solutions.\n\nI began researching the domain of time series classification and was intrigued by a recommended technique called K Nearest Neighbors and Dynamic Time Warping. A meta analysis completed by Mitsa (2010) suggests that when it comes to timeseries classification, 1 Nearest Neighbor (K=1) and Dynamic Timewarping is very difficult to beat [1].\n\nThis repo contains a python implementation ([and IPython notebook](http:\u002F\u002Fnbviewer.ipython.org\u002Fgithub\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping\u002Fblob\u002Fmaster\u002FK_Nearest_Neighbor_Dynamic_Time_Warping.ipynb)) of KNN & DTW classification algorithm.\n\n\u003Cimg src=\"http:\u002F\u002Fi.imgur.com\u002FanGSz4D.png\">\n\nThe following [IPython notebook](http:\u002F\u002Fnbviewer.ipython.org\u002Fgithub\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping\u002Fblob\u002Fmaster\u002FK_Nearest_Neighbor_Dynamic_Time_Warping.ipynb) evaluates the KNN and DTW classifer by using it to classify human activities (sitting, walking, lying) when given timeseries data from a smart phones gyroscope and accelerometer (HAR dataset).\n\n\u003Cimg src=\"http:\u002F\u002Fi.imgur.com\u002FXMYKwS4.png\">\n\n#### Human Activity Recognition Dataset\nThe Human Activity Recognition Dataset (HAR) dataset is chosen to test the classification performance of DTW & KNN [3].\n\n> The experiments were carried out with a group of 30 volunteers within an age bracket of 19-48 years. Each person performed six activities (walking, walking upstairs, walking downstairs, sitting, standing and laying) wearing a smartphone (Samsung Galaxy S II) on the waist. Using its embedded accelerometer and gyroscope, we captured 3-axial linear acceleration and 3-axial angular velocity at a constant rate of 50Hz. The experiments have been video-recorded to label the data manually.\n\n#### References\n1.  Mitsa (2010). Temporal Data Mining (Chapter on Temporal Classification).\n2.  Xi (2006). Fast Time Series Classification Using Numerosity Reduction.\n3.  Davide Anguita, Alessandro Ghio, Luca Oneto, Xavier Parra and Jorge L. Reyes-Ortiz. Human Activity Recognition on Smartphones using a Multiclass Hardware-Friendly Support Vector Machine. International Workshop of Ambient Assisted Living (IWAAL 2012). Vitoria-Gasteiz, Spain. Dec 2012. [Read Paper](http:\u002F\u002Farxiv.org\u002Fpdf\u002F1401.8212.pdf)\n\n#### Credit\n-  The progressbar used in the `DtwKnn()` class was taken from PYMC\n-  The matplotlib style and IPython notebook was taken from Cameron Davidson-Pilon's excelent [\"Bayesian Methods for Hackers\"](https:\u002F\u002Fgithub.com\u002FCamDavidsonPilon\u002FProbabilistic-Programming-and-Bayesian-Methods-for-Hackers)\n","K近邻与动态时间规整\n===\n[查看 IPython 笔记本](http:\u002F\u002Fnbviewer.ipython.org\u002Fgithub\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping\u002Fblob\u002Fmaster\u002FK_Nearest_Neighbor_Dynamic_Time_Warping.ipynb)\n\n在构建分类算法时，分析师们拥有广泛的开源工具可供选择。然而，对于时间序列分类而言，现成的解决方案却相对较少。\n\n我开始研究时间序列分类领域，并对一种推荐的技术——K近邻与动态时间规整——产生了浓厚兴趣。Mitsa（2010）完成的一项元分析表明，在时间序列分类任务中，当K取1且采用动态时间规整时，其性能几乎难以被超越[1]。\n\n此仓库包含一个使用Python实现的KNN与DTW分类算法（以及相应的IPython笔记本[http:\u002F\u002Fnbviewer.ipython.org\u002Fgithub\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping\u002Fblob\u002Fmaster\u002FK_Nearest_Neighbor_Dynamic_Time_Warping.ipynb]）。\n\n\u003Cimg src=\"http:\u002F\u002Fi.imgur.com\u002FanGSz4D.png\">\n\n以下的[IPython笔记本](http:\u002F\u002Fnbviewer.ipython.org\u002Fgithub\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping\u002Fblob\u002Fmaster\u002FK_Nearest_Neighbor_Dynamic_Time_Warping.ipynb)通过使用来自智能手机陀螺仪和加速度计的时间序列数据（HAR数据集），评估了KNN与DTW分类器在识别人类活动（坐着、走路、躺着）方面的表现。\n\n\u003Cimg src=\"http:\u002F\u002Fi.imgur.com\u002FXMYKwS4.png\">\n\n#### 人类活动识别数据集\n为了测试DTW与KNN的分类性能，我们选择了人类活动识别数据集（HAR）[3]。\n\n> 实验由30名年龄在19至48岁之间的志愿者参与。每位志愿者佩戴一部位于腰部的智能手机（三星Galaxy S II），执行六种活动：走路、上楼梯、下楼梯、坐着、站着和躺着。利用手机内置的加速度计和陀螺仪，我们以50Hz的固定频率采集了三轴线性加速度和三轴角速度数据。实验过程全程录像，以便人工标注数据。\n\n#### 参考文献\n1. Mitsa（2010）。《时间序列数据挖掘》（时间序列分类章节）。\n2. Xi（2006）。《基于数量缩减的快速时间序列分类》。\n3. Davide Anguita、Alessandro Ghio、Luca Oneto、Xavier Parra和Jorge L. Reyes-Ortiz。《基于多分类硬件友好型支持向量机的智能手机端人类活动识别》。国际辅助生活研讨会（IWAAL 2012）。西班牙维多利亚-加斯泰斯。2012年12月。[阅读论文](http:\u002F\u002Farxiv.org\u002Fpdf\u002F1401.8212.pdf)\n\n#### 致谢\n- `DtwKnn()`类中使用的进度条源自PYMC。\n- matplotlib样式及IPython笔记本参考自Cameron Davidson-Pilon的优秀著作《黑客的贝叶斯方法》（https:\u002F\u002Fgithub.com\u002FCamDavidsonPilon\u002FProbabilistic-Programming-and-Bayesian-Methods-for-Hackers）。","# K-Nearest-Neighbors-with-Dynamic-Time-Warping 快速上手指南\n\n本工具提供了一个基于 Python 的实现，结合了 **K 近邻算法 (KNN)** 与 **动态时间规整 (DTW)**，专门用于解决时间序列分类问题。相比传统分类器，该方法在处理具有时间偏移或速度变化的时间序列数据（如传感器数据、股票走势等）时表现尤为出色。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.6+\n*   **前置依赖**：\n    *   `numpy`：用于数值计算\n    *   `scipy`：用于科学计算基础功能\n    *   `matplotlib`：用于结果可视化\n    *   `ipython` \u002F `jupyter`：用于运行示例 Notebook（可选）\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速依赖安装。\n\n## 安装步骤\n\n本项目主要包含 Python 源代码和 Jupyter Notebook 示例，无需复杂的编译过程。您可以直接克隆仓库并安装必要的 Python 库。\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping.git\n    cd K-Nearest-Neighbors-with-Dynamic-Time-Warping\n    ```\n\n2.  **安装依赖库**\n    使用 pip 安装所需依赖（推荐使用国内镜像源）：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy matplotlib jupyter\n    ```\n\n    *注：如果项目中包含 `requirements.txt` 文件，也可通过 `pip install -r requirements.txt` 一键安装。*\n\n## 基本使用\n\n最简单的使用方式是直接运行作者提供的 **IPython Notebook** 示例，该示例演示了如何使用人类活动识别数据集 (HAR) 进行训练和预测。\n\n1.  **启动 Jupyter Notebook**\n    在项目根目录下执行：\n    ```bash\n    jupyter notebook K_Nearest_Neighbor_Dynamic_Time_Warping.ipynb\n    ```\n\n2.  **核心代码逻辑**\n    如果您希望在自有项目中调用该算法，核心流程如下（参考 Notebook 中的实现）：\n\n    *   **导入模块**：加载本地的 `DtwKnn` 类实现。\n    *   **准备数据**：构建时间序列训练集 `X_train` (列表的列表或三维数组) 和标签 `y_train`。\n    *   **初始化与预测**：\n        ```python\n        # 伪代码示例，具体类名请参考源码文件\n        from dtw_knn import DtwKnn \n\n        # 初始化分类器，设置 K=1 (通常效果最佳)\n        classifier = DtwKnn(k=1)\n        \n        # 拟合训练数据\n        # X_train: 时间序列样本列表，y_train: 对应标签\n        classifier.fit(X_train, y_train)\n        \n        # 预测新样本\n        # X_test: 单个或一组时间序列样本\n        predictions = classifier.predict(X_test)\n        \n        print(predictions)\n        ```\n\n3.  **查看结果**\n    Notebook 中包含了完整的评估流程，包括混淆矩阵绘制和准确率计算，可直接复用以验证您自己的数据集效果。","某智能穿戴设备团队正在开发一款针对老年人的跌倒检测与日常活动监测应用，需要精准识别走路、坐下、躺倒等动作模式。\n\n### 没有 K-Nearest-Neighbors-with-Dynamic-Time-Warping 时\n- **时间错位导致误判**：传统分类算法要求数据点严格对齐，当老人动作快慢不一时，传感器采集的时间序列长度不同，导致相似动作被判定为完全不同。\n- **特征工程耗时巨大**：开发人员需手动提取均值、方差等统计特征来弥补时间轴差异，不仅工作量大，还容易丢失关键的时序动态信息。\n- **模型泛化能力差**：面对不同体型或行走习惯的用户，基于固定阈值的规则引擎频繁报错，难以适应真实场景中多变的动作节奏。\n- **开发迭代周期长**：缺乏现成的时间序列分类方案，团队需从零编写距离度量逻辑，严重拖慢了从数据采集到模型部署的进度。\n\n### 使用 K-Nearest-Neighbors-with-Dynamic-Time-Warping 后\n- **弹性对齐提升精度**：利用动态时间规整（DTW）自动拉伸或压缩时间轴，完美匹配快慢不同的同类动作，显著降低了因节奏差异产生的误报。\n- **原始数据直接输入**：无需繁琐的手工特征提取，直接将加速度计和陀螺仪的原始时序数据输入模型，保留了完整的动作形态特征。\n- **自适应个体差异**：KNN 算法结合 DTW 距离度量，能灵活捕捉不同用户的独特动作模式，大幅提升了模型在多样化人群中的鲁棒性。\n- **快速落地验证**：借助成熟的 Python 实现和示例笔记，团队迅速在 HAR 数据集上完成了基准测试，将算法集成时间从数周缩短至几天。\n\n核心价值在于通过弹性时间对齐技术，解决了传统方法无法处理变速时间序列的痛点，以极低的学习成本实现了高精度的动作识别。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmarkdregan_K-Nearest-Neighbors-with-Dynamic-Time-Warping_c52f620f.png","markdregan","Mark Regan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmarkdregan_8f807ba9.jpg","Group Product Manager, Google Assistant. Previously Product Manager Google Cloud AI.","Product Manager, Google Assistant","Dublin","markdregan@gmail.com",null,"https:\u002F\u002Fgithub.com\u002Fmarkdregan",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",99.7,{"name":87,"color":88,"percentage":89},"CSS","#663399",0.3,789,211,"2026-04-17T05:35:38","","未说明",{"notes":96,"python":94,"dependencies":97},"该项目是一个基于 Python 的 KNN 与动态时间规整（DTW）分类算法实现，主要用于时间序列分类（如人类活动识别）。README 中未明确列出具体的操作系统、Python 版本、内存或 GPU 需求。代码依赖 IPython notebook 进行演示，使用了 matplotlib 进行绘图，并引用了 PYMC 库中的进度条组件。由于涉及时间序列距离计算，可能在处理大规模数据集时对 CPU 和内存有一定要求，但具体数值需根据数据规模自行评估。",[98,99,100],"IPython notebook","matplotlib","PYMC (progressbar)",[14],[103,104,105,106,107,108,109],"machine-learning","timeseries","classification-algorithm","human-activity-recognition","nearest-neighbors","dynamic-programming","dynamic-time-warping","2026-03-27T02:49:30.150509","2026-04-18T14:30:59.620047",[113,118],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},39925,"为什么在运行 knn_dtw_class.py 时出现 numpy 或 scipy 未导入的错误？","该问题是由于代码中使用了 np.shape 和 scipy.spatial.distance 但未预先导入相关模块导致的。维护者已更新 Notebook 修复了此问题，并从仓库中移除了 knn_dtw_class.py 文件，以避免需要同时维护两个重复的源代码。建议直接使用更新后的 Notebook 进行运行。","https:\u002F\u002Fgithub.com\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping\u002Fissues\u002F4",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},39926,"如何处理中等到大型数据集时算法执行速度非常慢的问题？","执行速度慢是预期行为，因为动态时间规整（DTW）的时间复杂度为 O(N^2)，且该实现将其用于未经优化的朴素 KNN 算法（复杂度 O(dN)），导致整体模型扩展性较差。若需提升速度，可研究 DTW 的快速计算方法（参考：https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDynamic_time_warping#Fast_computation），或考虑使用其他更高效的近似算法。","https:\u002F\u002Fgithub.com\u002Fmarkdregan\u002FK-Nearest-Neighbors-with-Dynamic-Time-Warping\u002Fissues\u002F2",[]]