KNN算法MATLAB实现

ulppknot

一、kNN概念描述

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。

8 y* {3 r, I' _; ^( ?2 O$ g$ ikNN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。

" d0 N5 N9 t3 t# ]8 g$ d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；
; m0 ~# T' y+ L' p* E3 @
- X6 C4 E/ u' X8 y& M% Z主要考虑因素：距离与相似度的；

二、举例说明
, D* o4 I+ p- X# m* x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？
7 R. y+ @: _" n7 y' K
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。

8 `4 f3 q8 v$ k% w0 y
& ~5 n  m$ c5 Z
三、MATLAB实现

: o1 q. Z  c+ u/ B" U( WKNN.m：KNN标签预测，输入测试数据、样本数据、样本标签、K值
: R& o6 _5 g( @5 J' {% m6 v
输出数据：对单个样本预测的标签值
4 r9 f" i, _/ `7 _. N4 ?
+ J$ \. x& C4 g5 i" d4 a

• 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
  

     
7 e/ {' W3 v: e: H& G4 `; ~  X
7 w7 i. ^" l7 U* A- C( i1 c. oObj.m 目标函数，返回值为标签预测错误率
0 h6 u! m+ v; v0 }

• 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
  / S  E" p0 e3 x4 y1 Y% [

xiaogegepcb

KNN算法MATLAB实现