基于MATLAB的KNN算法实现多分类.rar

clear; clc; % 训练数据、训练数据标签、测试数据、测试数据标签 load(['C:\Users\Administrator\Desktop\MATLAb Programming practice\KNN算法的MATLAB代码实现\train_scale.mat']); load(['C:\Users\Administrator\Desktop\MATLAb Programming practice\KNN算法的MATLAB代码实现\train_labels.mat']); load(['C:\Users\Administrator\Desktop\MATLAb Programming practice\KNN算法的MATLAB代码实现\test_scale.mat']); load(['C:\Users\Administrator\Desktop\MATLAb Programming practice\KNN算法的MATLAB代码实现\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);