KNN算法MATLAB实现

ulppknot

一、kNN概念描述

1 @. w3 u% A/ Y$ y/ FkNN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。
1 e  n- S, N- v8 a
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。
: e$ S6 V9 y( b; `4 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；

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？
& t; S2 {) _( W0 I: j
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。

) x& }; o- ^; T7 P
. Z1 J: x; j! n/ ]5 V6 I" w
+ I0 V4 H' w3 E# H: J6 [2 S0 R. e三、MATLAB实现
" i" Y8 m1 V- Z+ |. a
KNN.m：KNN标签预测，输入测试数据、样本数据、样本标签、K值
+ ]: f8 s8 G. l* h# v
输出数据：对单个样本预测的标签值
. i- k+ c7 F( _, B2 u
- v  D; t; m3 s3 j8 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
  

     
5 r8 L% `7 t! l% Y2 B; }1 z: H
Obj.m 目标函数，返回值为标签预测错误率
2 x2 i, h( H4 c8 s. E7 [6 t
9 `4 x( h  w- X1 y: w

• 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