KNN算法MATLAB实现

ulppknot

' N6 I, F$ H# J! l7 ~一、kNN概念描述
! E, A' s3 U6 T6 l3 t' D
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。

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。

. ]" r6 `4 @/ }1 Q4 R% n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
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？
& Z8 d1 K5 F: c) _* ^
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。


* t: j* W9 H2 |) L# ]! C
+ J( t  J4 w1 N三、MATLAB实现

1 q% x$ f( H8 IKNN.m：KNN标签预测，输入测试数据、样本数据、样本标签、K值
; e# m2 S( W9 \2 j4 f
7 u2 ^% C! M5 r输出数据：对单个样本预测的标签值

3 j& e0 r0 z. h; A: U; 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
  

     

Obj.m 目标函数，返回值为标签预测错误率
' o. e  h( E' j9 D
/ F0 N" T8 |& F" f( R3 ~$ {

• 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
  . K) `: }  d2 f$ m; G: R1 ?# Q5 U7 }

xiaogegepcb

KNN算法MATLAB实现