KNN算法MATLAB实现

ulppknot

一、kNN概念描述
4 B% t2 n+ e- f
4 O; H! j% _. ykNN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；
& a/ j1 Z! S: F+ Q% g8 }
主要考虑因素：距离与相似度的；

' k  o7 k) ?0 _7 W二、举例说明
7 @( T( m3 h( F$ `- o$ h: N/ o( B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？
' ~5 `- M0 P- b9 @* z( ]
. ~" n1 x8 ?0 Z3 e7 j' p  a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。
6 O& K3 {2 h  }7 |( P5 {8 _. o

0 f" |8 p' b- i- E$ y6 r/ t# C
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
3 D4 c2 J1 k5 k6 v; ?
输出数据：对单个样本预测的标签值
; I4 r6 `$ B# ]/ M
; S$ U, `5 ?3 s: r* s5 ?

• 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
  # P, l* H! Z+ i5 j( c4 j

     
& ^9 C3 U* ^# Z( b2 s
Obj.m 目标函数，返回值为标签预测错误率
2 v9 j; A% G' V& k4 d
$ {: k/ g. N1 Y  X9 R/ n

• 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