算法1-KNN算法及其matlab实现是怎样的，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
一、算法概述
1、kNN算法又称为k近邻分类(k-nearest neighbor classification)算法。kNN算法则是从训练集中找到和新数据最接近的k条记录，然后根据他们的主要分类来决定新数据的类别。该算法涉及3个主要因素：训练集、距离或相似的衡量、k的大小。
计算步骤如下：
1）算距离：给定测试对象，计算它与训练集中的每个对象的距离
2）找邻居：圈定距离最近的k个训练对象，作为测试对象的近邻
3）做分类：根据这k个近邻归属的主要类别，来对测试对象分类
2、距离或相似度的衡量
什么是合适的距离衡量？距离越近应该意味着这两个点属于一个分类的可能性越大。距离衡量包括欧式距离、夹角余弦等。
3、类别的判定
投票决定：少数服从多数，近邻中哪个类别的点最多就分为该类。
加权投票法：根据距离的远近，对近邻的投票进行加权，距离越近则权重越大（权重为距离平方的倒数）
clear;clc;K=3;trainData = [1.0,2.0;1.2,0.1;0.1,1.4;0.3,3.5];trainClass = [1,1,2,2];testData = [0.5,2.3];[N,M]=size(trainData);%计算训练数据集与测试数据之间的欧氏距离distdist=zeros(N,1);for i=1:Ndist(i,:)=norm(trainData(i,:)-testData);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trainClass=trainClass(I);%确定前K个点所在类别的出现频率classNum=length(unique(trainClass));%取集合中的单值元素的个数labels=zeros(1,classNum);for i=1:Kj=trainClass(i);labels(j)=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(labels);fprintf('该测试数据属于类 %d\n',idx);%% f方法二更简单labels=trainClass;idx=mode(labels(1:K));%mode函数求众数fprintf('该测试数据属于类 %d ',idx);
看完上述内容，你们掌握算法1-KNN算法及其matlab实现是怎样的的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
