knn近邻算法matlab代码

KNN（K-Nearest Neighbors）近邻算法的MATLAB代码可以按照以下步骤实现：
1. 定义一个距离矩阵，初始化为全零矩阵。
2. 定义训练数据集和测试数据集的长度。
3. 对每个测试样本，计算与训练样本的距离，并存储在距离矩阵中。
4. 使用选择排序的方法，对距离矩阵进行排序，找出最小的前K个距离对应的训练样本。
5. 统计这K个样本中最常出现的类别，作为测试样本的预测类别。
6. 返回测试样本的预测类别。

具体的MATLAB代码如下：

function predicted_labels = knn(train_data, train_labels, test_data, K)
    train_length = size(train_data, 1);
    test_length = size(test_data, 1);
    distance = zeros(train_length, 1);
    predicted_labels = zeros(test_length, 1);

    for i = 1:test_length
        for j = 1:train_length
            distance(j) = calculate_distance(test_data(i,:), train_data(j,:));
        end

        % 使用选择排序的方法对距离矩阵进行排序，并得到最小的前K个距离对应的标签
        for g = 1:K
            ma = distance(g);
            tmp = 1;
            label_ma = 0;

            for j = g+1:train_length
                if distance(j) < ma
                    ma = distance(j);
                    label_ma = train_labels(j);
                    tmp = j;
                end
            end

            distance(tmp) = distance(g);
            distance(g) = ma;
            train_labels(tmp) = train_labels(g);
            train_labels(g) = label_ma;
        end

        % 统计最小的前K个样本中最常出现的类别，作为测试样本的预测类别
        unique_labels = unique(train_labels(1:K));
        counts = histc(train_labels(1:K), unique_labels);
        [~, max_idx = max(counts);
        predicted_labels(i) = unique_labels(max_idx);
    end
end

function distance = calculate_distance(x1, x2)
    % 计算两个样本之间的距离（这里可以根据具体问题选择不同的距离度量方法）
    distance = sqrt(sum((x1 - x2).^2));
end

这是一个基本的KNN近邻算法的MATLAB实现，你可以将训练数据集、训练标签、测试数据集和K值作为输入，然后得到测试样本的预测类别。