✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
最近邻K(KNN,K-Ncarest Neighbor)分类算法是数据挖掘分类技术中最简单的方法之一,由于其实现的简单性,在很多领域得到了广泛的应用.
⛄ 完整代码
clear;
clc;
% 训练数据、训练数据标签、测试数据、测试数据标签
load(['train_scale.mat']);
load(['train_labels.mat']);
load(['test_scale.mat']);
load(['test_labels.mat']);
K=8; % k一般低于训练样本数的平方根
error=0;
[mtrain,ntrain]=size(train_scale);
[mtest,ntest]=size(test_scale);
% 外循环控制测试数据，内循环控制训练数据
for i=1:mtest
dist=zeros(mtrain,1);
for j=1:mtrain
dist(j)=norm(train_scale(j,:)-test_scale(i,:)); %计算训练数据集与测试数据之间的欧氏距离dist
end
%将dist从小到大进行排序
[Y,I]=sort(dist,1);
%将训练数据对应的类别与训练数据排序结果对应
train_labels=train_labels(I);
%确定前K个点所在类别的出现频率
classNum=length(unique(train_labels));%取集合中的单值元素的个数,得到类别数量
predict_labels=zeros(1,classNum);
% 以下for循环统计分类的标签数量
for j=1:K
j=train_labels(j);
predict_labels(j)=predict_labels(j)+1;
end
%返回前K个点中出现频率最高的类别作为测试数据的预测分类
[~,idx]=max(predict_labels);
fprintf('该测试数据属于类 %d\n',idx);
fprintf('该测试数据的真实类为：%d\n',test_labels(i));
if idx~=test_labels(i)
error=error+1;
end
end
accuracy=(1-error/mtest)*100;
fprintf('准确率为：%f%%\n',accuracy);
⛄ 运行结果
⛄ 参考文献
[1]曾志浩. kNN分类算法研究及其在中毒诊断中的应用[D]. 湖南大学.
