KNN算法MATLAB实现

ulppknot

3 c7 o# U  B+ ^  F) t! ]* ^一、kNN概念描述
$ b! _- b: D% v0 A6 @
/ _# F' p/ {" j6 x( ZkNN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。

kNN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；

; f1 c! U( \+ h6 R5 g& w主要考虑因素：距离与相似度的；

二、举例说明
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？
) ^. p( J/ {+ {0 J2 U/ M
. T  r* k0 }, ~1 H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 \3 D' D5 n1 E$ p& w
2 y) J! |1 r+ z# S
三、MATLAB实现

KNN.m：KNN标签预测，输入测试数据、样本数据、样本标签、K值
' @1 J: V7 h7 [- J- D
' x" ]+ V  B' R  V5 b输出数据：对单个样本预测的标签值
6 e  `" s% D& T5 f/ q
5 |) [5 F1 D1 t* e" R0 @8 @

• 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
  ) H+ `# d) u  _4 U1 h* A# ]

     

Obj.m 目标函数，返回值为标签预测错误率
7 v3 B6 ~2 ~& K, f# l1 w$ u
9 B& S" s5 P- K& @. v

• 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
  4 L/ \% t2 l/ l& M# c

xiaogegepcb

KNN算法MATLAB实现