KNN算法MATLAB实现

ulppknot

* g' z9 s3 D1 D一、kNN概念描述
* S/ h& t: o, A* ?/ t" S6 y
kNN算法又称为k最近邻(k-nearest neighbor classification)分类算法。所谓的k最近邻，就是指最接近的k个邻居（数据），即每个样本都可以由它的K个邻居来表达。

! n0 K. n6 Q8 m" ~) EkNN算法的核心思想是，在一个含未知样本的空间，可以根据离这个样本最邻近的k个样本的数据类型来确定样本的数据类型。

) s2 s: V; {) O+ N8 O. Q7 i该算法涉及3个主要因素：训练集、距离与相似的衡量、k的大小；

5 A& p8 e8 U  v! x1 L主要考虑因素：距离与相似度的；

二、举例说明
) D  `+ ?, h6 c5 Y* |1 }右图中，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？

如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。
5 s- P5 b( m: s2 Y+ [& B& L
; z6 V5 a/ h4 m/ F/ q" e4 x+ h, O

三、MATLAB实现
* t2 O, F& ^$ L$ S" @3 [
+ U5 _* ~$ s) [( uKNN.m：KNN标签预测，输入测试数据、样本数据、样本标签、K值

& M; B; V# r1 _" y输出数据：对单个样本预测的标签值

7 a8 l3 H8 I0 q( D: h1 }' u

• function relustLabel = KNN(inx,data,labels,k)
• %%
• %   inx 为 输入测试数据，data为样本数据，labels为样本标签
• %%
• [datarow , datacol] = size(data);
• diffMat = repmat(inx,[datarow,1]) - data ;
• distanceMat = sqrt(sum(diffMat.^2,2));
• [B , IX] = sort(distanceMat,'ascend');
• len = min(k,length(B));
• relustLabel = mode(labels(IX(1:len)));
• end
  

     
# L* _6 u" B# r. c  \# ^( ~& n
Obj.m 目标函数，返回值为标签预测错误率

" ]/ z& O- g1 F& j. b2 f

• function [value] = kgetObj2(train_F,train_L,test_F,test_L)
• k=4;
• numTest=size(test_f,1);
• numTrain=size(train_F,1);
•     error=0;
•     for i=1:numTest
•     classifyresult= knnsix(test_f(i,：）,train_f(1:numTrain,：）,train_L(1:numTrain,：）,k);
•     if(classifyresult~=test_L(i,：）)
•         error=error+1;
•     end
•     end
•      value=error/numTest;
• end
  6 |' Z- I3 g4 M4 O6 U# ?6 ]9 u$ s- x+ J

xiaogegepcb

KNN算法MATLAB实现