鸢尾花 knn matlab

在Matlab中使用K最近邻（KNN）算法来处理鸢尾花数据集是相对简单的。以下是一个简单的例子，展示了如何在Matlab中实现KNN算法来对鸢尾花进行分类：

% 加载鸢尾花数据集
load fisheriris;

% 将数据集分为训练集和测试集
trainData = meas(1:100,:);
trainLabels = species(1:100);
testData = meas(101:end,:);
testLabels = species(101:end);

% 设置K值
K = 5;

% 预测测试集的标签
predictedLabels = zeros(size(testData, 1), 1);
for i = 1:size(testData, 1)
    % 计算测试样本与所有训练样本之间的欧氏距离
    distances = sqrt(sum((trainData - testData(i,:)).^2, 2));
    
    % 根据距离排序，并选择前K个最近邻
    [~, indices] = sort(distances);
    kNearestLabels = trainLabels(indices(1:K));
    
    % 统计K个最近邻中每个类别的数量
    labelCounts = tabulate(kNearestLabels);
    
    % 找到数量最多的类别，并将其作为预测标签
    [~, maxIndex] = max(labelCounts(:,2));
    predictedLabels(i) = labelCounts(maxIndex, 1);
end

% 计算分类准确率
accuracy = sum(strcmp(predictedLabels, testLabels)) / length(testLabels) * 100;

% 显示准确率
disp(['分类准确率：', num2str(accuracy), '%']);

这段代码首先加载了鸢尾花数据集，然后将数据集分为训练集和测试集。接下来，选择了一个K值（本例中为5），通过计算测试样本与所有训练样本之间的欧氏距离来找到K个最近邻。然后，通过统计K个最近邻中每个类别的数量，并选择数量最多的类别作为预测标签。最后，计算分类准确率并将其显示出来。

希望这个例子能对你有所帮助！如果你有任何其他问题，请随时提问。