KNN算法MATLAB实现

ulppknot

一、kNN概念描述
& _9 x/ n" W* K" w
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。

6 m- k3 b( d1 c$ Q: BkNN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。

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；

主要考虑因素：距离与相似度的；

二、举例说明
0 V+ l4 M9 k; X6 [2 c# d5 M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？
/ N# S+ d# a/ T2 T7 {, I8 T: y% ]
% p; J. x# q" R! E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。

$ c1 {7 [3 P; U! X- c- f! U6 Z, d
- d+ t% S8 L3 P3 Y9 _3 O
2 ^) Y( L. K/ D& W" q- N三、MATLAB实现

: y: O  n: g# lKNN.m：KNN标签预测，输入测试数据、样本数据、样本标签、K值

& ], d% c, a) q* F( ?/ P* T; X0 V输出数据：对单个样本预测的标签值
1 j9 P) f. v$ @6 t/ Q

• 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
  

     
% a; ~% S6 p1 ~3 D: _9 y& z
Obj.m 目标函数，返回值为标签预测错误率

• 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
  

xiaogegepcb

KNN算法MATLAB实现