k近邻算法matlab鸢尾花

k近邻（K-Nearest Neighbors, KNN）算法是一种基于实例的学习方法，用于分类和回归问题。在MATLAB中，可以使用`fitcknn`函数来实现KNN算法对鸢尾花数据集（Iris dataset）的分析。

首先，你需要加载鸢尾花数据集，MATLAB自带了一个名为`load iris`的命令，它会加载一个包含150个样本的数据集，每个样本有4个特征（花瓣长度、花瓣宽度、花萼长度和花萼宽度），以及对应的3种类别（山鸢尾、变色鸢尾和维吉尼亚鸢尾）。

下面是使用MATLAB KNN对鸢尾花进行分类的基本步骤：

1. **加载数据**:

   data = load('iris');
   X = data(:, 1:4); % 特征矩阵
   Y = data(:, 5); % 类别标签

2. **分割数据集**:
通常会将数据分为训练集和测试集，例如80%用于训练，20%用于测试。这可以通过`cvpartition`函数完成：

   cv = cvpartition(size(X, 1), 'HoldOut', 0.2); % 划分训练集和测试集
   idxTrain = training(cv);
   idxTest = test(cv);
   XTrain = X(idxTrain, :);
   YTrain = Y(idxTrain);
   XTest = X(idxTest, :);
   YTest = Y(idxTest);

3. **训练模型**:
使用`fitcknn`函数，设置`NumNeighbors`参数为k值（如5或10），对训练数据进行训练：

   knnModel = fitcknn(XTrain, YTrain, 'NumNeighbors', 5);

4. **预测与评估**:
对测试集应用训练好的模型，进行预测：

   YPredicted = predict(knnModel, XTest);

最后，你可以使用`confusionmat`函数计算预测结果的混淆矩阵，以评估模型性能：

   confusion = confusionmat(YTest, YPredicted);
   accuracy = sum(diag(confusion)) / sum(confusion(:));