使用matlab实现knn

以下是使用Matlab实现KNN算法的一个简单示例：

1.加载数据集

假设我们有一个数据集，其中包含两个特征x和y，以及一个类别标签label。我们可以将数据集存储在一个m x 3的矩阵中，其中m是样本数。在Matlab中，我们可以使用csvread函数来加载csv格式的数据集文件。

data = csvread('dataset.csv');

2.划分训练集和测试集

将数据集划分为训练集和测试集，其中训练集用于训练模型，测试集用于评估模型性能。在这个例子中，我们将数据集的前80%用作训练集，后20%用作测试集。

trainData = data(1:round(0.8*size(data,1)),:);
testData = data(round(0.8*size(data,1))+1:end,:);

3.计算距离

对于每个测试样本，我们需要计算它与训练集中所有样本的距离。在这个例子中，我们使用欧几里得距离计算两个样本之间的距离。

k = 5; % 设置k值
for i = 1:size(testData,1)
    distances = sqrt(sum((trainData(:,1:2)-testData(i,1:2)).^2,2)); % 计算距离
    [sortedDistances,idx] = sort(distances); % 排序
    kNearestLabels = trainData(idx(1:k),3); % 取前k个样本的类别标签
    predictedLabel(i) = mode(kNearestLabels); % 众数作为预测标签
end

4.评估模型性能

我们可以使用混淆矩阵来评估模型的性能。混淆矩阵可以显示实际类别和预测类别之间的关系。

confMat = confusionmat(testData(:,3),predictedLabel);
accuracy = sum(diag(confMat))/sum(confMat(:)); % 计算准确率

完整的代码示例：

data = csvread('dataset.csv');

trainData = data(1:round(0.8*size(data,1)),:);
testData = data(round(0.8*size(data,1))+1:end,:);

k = 5; % 设置k值
for i = 1:size(testData,1)
    distances = sqrt(sum((trainData(:,1:2)-testData(i,1:2)).^2,2)); % 计算距离
    [sortedDistances,idx] = sort(distances); % 排序
    kNearestLabels = trainData(idx(1:k),3); % 取前k个样本的类别标签
    predictedLabel(i) = mode(kNearestLabels); % 众数作为预测标签
end

confMat = confusionmat(testData(:,3),predictedLabel);
accuracy = sum(diag(confMat))/sum(confMat(:)); % 计算准确率
disp(['Accuracy: ' num2str(accuracy)]);