编写一个函数用R语言实现的距离判别

下面是一个使用R语言编写的距离判别函数的示例代码，该函数可以使用欧氏距离或曼哈顿距离进行分类：

# 定义距离判别函数
distance_discriminant <- function(train, test, type = "euclidean") {
  # 计算距离
  if (type == "euclidean") {
    distance <- sqrt(rowSums((train[, 1:(ncol(train) - 1)] - test)^2))
  } else if (type == "manhattan") {
    distance <- rowSums(abs(train[, 1:(ncol(train) - 1)] - test))
  } else {
    stop("Invalid distance type.")
  }
  
  # 找到最小距离对应的分类
  train[which.min(distance), ncol(train)]
}

# 创建训练集和测试集
train <- data.frame(x1 = c(1, 2, 3, 4, 5), x2 = c(1, 2, 3, 4, 5), class = c("A", "A", "B", "B", "B"))
test <- data.frame(x1 = c(6, 7), x2 = c(6, 7))

# 对测试集进行分类
prediction_euclidean <- apply(test, 1, distance_discriminant, train = train, type = "euclidean")
prediction_manhattan <- apply(test, 1, distance_discriminant, train = train, type = "manhattan")

# 输出预测结果
print(paste("Euclidean distance prediction:", prediction_euclidean))
print(paste("Manhattan distance prediction:", prediction_manhattan))

在上面的代码中，我们定义了一个名为`distance_discriminant()`的函数，该函数接受三个参数：训练数据、测试数据和距离类型。函数根据指定的距离类型计算测试数据与每个训练数据之间的距离，并返回最小距离对应的分类变量。距离类型可以是"euclidean"（欧氏距离）或"manhattan"（曼哈顿距离）。如果指定的距离类型无效，则函数会抛出一个错误。然后，我们创建一个训练集和一个测试集，并使用`apply()`函数在测试集上应用`distance_discriminant()`函数进行分类。最后，我们输出分类结果。

请注意，这个距离判别函数非常简单，仅供参考。在实际应用中，您可能需要使用更复杂的距离判别算法。