【KNN分类】基于KNN算法实现数据分类附matlab完整代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab仿真内容点击

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

最近邻K(KNN,K-Ncarest Neighbor)分类算法是数据挖掘分类技术中最简单的方法之一,由于其实现的简单性,在很多领域得到了广泛的应用.

⛄ 完整代码

clear;

clc;

% 训练数据、训练数据标签、测试数据、测试数据标签

load(['train_scale.mat']);

load(['train_labels.mat']);

load(['test_scale.mat']);

load(['test_labels.mat']);

K=8;   % k一般低于训练样本数的平方根

error=0;

[mtrain,ntrain]=size(train_scale);

[mtest,ntest]=size(test_scale);

% 外循环控制测试数据，内循环控制训练数据

for i=1:mtest

    dist=zeros(mtrain,1);

    for j=1:mtrain

        dist(j)=norm(train_scale(j,:)-test_scale(i,:));  %计算训练数据集与测试数据之间的欧氏距离dist

    end

    %将dist从小到大进行排序

    [Y,I]=sort(dist,1);

    

    %将训练数据对应的类别与训练数据排序结果对应

    train_labels=train_labels(I);

    

    %确定前K个点所在类别的出现频率

    classNum=length(unique(train_labels));%取集合中的单值元素的个数,得到类别数量

    predict_labels=zeros(1,classNum);

    

    % 以下for循环统计分类的标签数量

    for j=1:K

        j=train_labels(j);

        predict_labels(j)=predict_labels(j)+1;

    end

    

    %返回前K个点中出现频率最高的类别作为测试数据的预测分类

    [~,idx]=max(predict_labels);

    

    fprintf('该测试数据属于类 %d\n',idx);

    fprintf('该测试数据的真实类为：%d\n',test_labels(i));

    if idx~=test_labels(i)

        error=error+1;

    end

end

accuracy=(1-error/mtest)*100;

fprintf('准确率为：%f%%\n',accuracy);

⛄ 运行结果

​

⛄ 参考文献

[1]曾志浩. kNN分类算法研究及其在中毒诊断中的应用[D]. 湖南大学.

⛄ Matlab代码关注

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料