knn算法(k-Nearest Neighbor algorithm).是一种经典的分类算法.
注意,不是聚类算法.所以这种分类算法必然包括了训练过程.
然而和一般性的分类算法不同,knn算法是一种懒惰算法.它并非
像其他的分类算法先通过训练建立分类模型.,而是一种被动的分类
过程.它是边测试边训练建立分类模型.
算法的一般描述过程如下:
1.首先计算每个测试样本点到其他每个点的距离.
这个距离可以是欧氏距离,余弦距离等.
2. 然后取出距离小于设定的距离阈值的点.
这些点即为根据阈值环绕在测试样本最邻近的点.
3.选出这些邻近点中比例最大的点簇的类.
那么就将概测试点归入此类.
注意：knn算法的开销很大,因为要计算每个样本点到其他所有点的距离.
knn算法的距离一般要根据实际样本点的情况来选取.
knn算法的距离阈值要根据样本的分散集中程度来选取.经验一般选取样本点集合的均方差.
下面是一个matlab中运用knn函数分类的例子.
clc;
clear;
load 'Train_Data.mat' %载入训练数据
load 'Train_Label.mat' %载入训练分类标签
test_data=[43;
42;
192;
193]; %测试数据
%knnclassify为matlab提供的knn分类函数.
%参数test_data是待分类的测试数据
%Train_Data是用于knn分类器训练的数据
%Train_Label是训练的分类标签
%3,即为knn的k值.意思是取某个待分类测试样本点周围三个样本点
%'cosine'---为距离度量,这里采用余弦距离
%'random'---为分类规则.如何对k个临近点进行分类.
% 'k'--即为对测试数据的knn分类结果的类标签
k=knnclassify(test_data,Train_Data',Train_Label',3,'euclidean','random');
Train_Label.mat截图如下：
k结果截图如下:
转载请注明作者：小刘
原文地址：http://blog.csdn.net/u013018721/article/details/38060653
