matlab自带knnclssify小实验
话说matlab的模式识别工具箱非常强大，对于一般应用来说基本不用自己编程，这就给科研带来了极大的便利。
之后估计会利用这个工具箱里的许多分类方法，比如KNN、BP、SVM等等；
现在就利用knn来进行分类。
For the object of samplify, I only choose 3 classes while 2 samples for each class ,there are 18 features in every sample .
准备条件：已经把特征数据和样本标号保存为文件。
测试代码为：
- train_data=load('sample_feature.txt');
- train_label=load('train_label.txt');
- test_data=load('features.txt');
- k=knnclassify(test_data,train_data,train_label,3,'cosine','random');
train_label保存的是样本标号，如0,1,2等等，随便设置，只有能区分就行,具体格式可以为:
- 1 1 2 2 3 3
test_data测试文件保存的是测试数据的特征；
关键函数介绍：
knnclassify是利用最近邻进行分类的分类器；
函数调用形式：
1.CLASS = KNNCLASSIFY(SAMPLE,TRAINING,GROUP)
标号和训练数据必须有相同的行数；训练数据和测试数据必须有相同的列；函数对于无效值或者空值会作为丢失值或者忽略这一行。
2.CLASS = KNNCLASSIFY(SAMPLE,TRAINING,GROUP,K)
此函数允许你设置距离矩阵形式，如：
'euclidean' 欧氏距离，默认的
'cityblock' 绝对差的和
'cosine' 角度距离
'correlation' 相关距离
'Hamming' 汉明距离
3.CLASS =KNNCLASSIFY(SAMPLE,TRAINING,GROUP,K,DISTANCE,RULE)
本函数允许你选择如何对样本进行分类，如你可以选择：
'nearest' 最近的K个的最多数
'random' 随机的最多数
'consensus' 投票法，默认的
而我选择的函数形式是：
k=knnclassify(test_data,train_data,train_label,3,'cosine','random');
大家可以对照看看选择合适的，多试试。
嗯，很简单，就这样就可以得到最后的分类类别了。
对了，还要把最后的分类类别进行保存，之前的一篇已经提到如何保存了，最终代码：
- train_data=load('sample_feature.txt');
- train_label=load('train_label.txt');
- test_data=load('features.txt');
- k=knnclassify(test_data,train_data,train_label,3,'cosine','random');
- dlmwrite('a.txt',b,'delimiter',' ','newline','pc');
