KNN算法MATLAB实现

ulppknot

& p. r) L- r/ n6 i. R' o" c8 _一、kNN概念描述

  H" ?, v9 s" C. o0 p" u, 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。
3 K% J" P) S/ l8 f1 }6 L( E
5 {: [+ B. w3 akNN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。
3 b, x4 N. d5 y2 t! n3 p+ |; h
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；
- R* b- C$ G9 U6 Z; V% n# J
) Q$ L% t7 z1 _主要考虑因素：距离与相似度的；

二、举例说明
2 d: S: f, _/ y1 `/ j9 U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？

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 x' {6 B, r" Y! R9 I( }% F


三、MATLAB实现

4 a& `' d% A* I. MKNN.m：KNN标签预测，输入测试数据、样本数据、样本标签、K值

输出数据：对单个样本预测的标签值
- k  ]( }- _: J( N

• 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
  5 A, G) J  m2 J$ o% t

     
% F* B3 W, Z, i2 i
Obj.m 目标函数，返回值为标签预测错误率
+ J0 u. M' J( t# b3 u& S; b

• 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