用matlab表示KNN算法函数

以下是一个简单的 MATLAB 函数，可用于执行 KNN 算法：

function [prediction] = knn(train_data, train_labels, test_data, k)
% train_data: 训练数据集
% train_labels: 训练数据标签
% test_data: 测试数据集
% k: 最近邻数

% 计算测试数据与每个训练数据之间的距离
distances = pdist2(test_data, train_data);

% 找到最近的 k 个邻居
[~, indices] = sort(distances, 2);
k_nearest_labels = train_labels(indices(:, 1:k));

% 根据最近邻的标签进行投票
prediction = mode(k_nearest_labels, 2);
end

在这个函数中，我们使用 `pdist2()` 函数计算测试数据与每个训练数据之间的距离。然后，我们使用 `sort()` 函数找到最近的 k 个邻居，并使用 `mode()` 函数根据最近邻的标签进行投票，以确定测试数据的标签。

相关问题

使用Matlab编写Knn算法

以下是使用Matlab编写KNN算法的示例代码：

假设我们有一个包含n个样本和m个特征的训练数据集X_train（n×m）和对应的标签y_train（n×1），以及一个测试数据集X_test（k×m）。

1. 计算测试样本与所有训练样本的距离

dist = pdist2(X_test, X_train);

这里使用了Matlab自带的pdist2函数，它可以计算两组数据之间的距离。dist是一个k×n的矩阵，其中第i行第j列表示第i个测试样本与第j个训练样本的距离。

2. 对距离进行排序

[~, idx] = sort(dist, 2);

sort函数可以对矩阵的每一行进行排序，idx是一个k×n的矩阵，其中第i行表示第i个测试样本距离最近的k个训练样本在X_train中的索引。

3. 统计最近的k个样本的标签

k = 5; % 假设k=5
y_pred = mode(y_train(idx(:, 1:k)), 2);

mode函数可以统计矩阵每一行中出现次数最多的元素，y_pred是一个k×1的向量，其中第i个元素表示第i个测试样本的预测标签。

完整的KNN函数如下：

function y_pred = knn(X_train, y_train, X_test, k)
% X_train: 训练数据集，n×m
% y_train: 训练标签，n×1
% X_test: 测试数据集，k×m
% k: 最近邻个数
% y_pred: 预测标签，k×1
    dist = pdist2(X_test, X_train);
    [~, idx] = sort(dist, 2);
    y_pred = mode(y_train(idx(:, 1:k)), 2);
end

使用示例：

X_train = [1, 2; 2, 3; 3, 1];
y_train = [1; 2; 2];
X_test = [1.5, 2.5; 3, 2];
y_pred = knn(X_train, y_train, X_test, 2);
disp(y_pred);

输出结果：

2
2

用MATLAB设计KNN算法

MATLAB中可以使用自带的ClassificationKNN函数来实现KNN算法。下面是一个简单的KNN分类器的示例代码：

1. 准备数据

在这个示例中，我们使用MATLAB自带的鸢尾花数据集。首先需要将数据集分为训练集和测试集。

% Load iris dataset
load fisheriris

% Split the dataset into training and testing sets
cv = cvpartition(species,'HoldOut',0.3);
Xtrain = meas(cv.training,:);
Ytrain = species(cv.training);
Xtest = meas(cv.test,:);
Ytest = species(cv.test);

2. 训练模型

使用ClassificationKNN函数来训练模型。在这个示例中，我们将K值设置为5。

% Train KNN classifier
mdl = fitcknn(Xtrain,Ytrain,'NumNeighbors',5);

3. 测试模型

使用测试集来测试模型的准确性。

% Test the model
Ypred = predict(mdl,Xtest);

% Calculate classification accuracy
accuracy = sum(Ypred == Ytest)/length(Ytest);
fprintf('Classification accuracy: %.2f%%\n', accuracy*100);

完整代码如下：

% Load iris dataset
load fisheriris

% Split the dataset into training and testing sets
cv = cvpartition(species,'HoldOut',0.3);
Xtrain = meas(cv.training,:);
Ytrain = species(cv.training);
Xtest = meas(cv.test,:);
Ytest = species(cv.test);

% Train KNN classifier
mdl = fitcknn(Xtrain,Ytrain,'NumNeighbors',5);

% Test the model
Ypred = predict(mdl,Xtest);

% Calculate classification accuracy
accuracy = sum(Ypred == Ytest)/length(Ytest);
fprintf('Classification accuracy: %.2f%%\n', accuracy*100);

这个示例中，KNN算法的准确性为93.33%。