knn算法C++实现代码

### 回答1： KNN算法的C语言实现代码如下： int k = 3; int[] distances = new int[trainingSetSize]; // Find distances from x to all training data for (int i = 0; i < trainingSetSize; i++) distances[i] = calculateDistance(x, trainingData[i]); // Sort the distances in ascending order sort(distances); // Take the top k elements int[] neighbors = new int[k]; for (int i = 0; i < k; i++) neighbors[i] = distances[i]; // Find the majority label from the neighbors int majorityLabel = findMajority(neighbors); // Return the majority label return majorityLabel; ### 回答2： knn算法是一种简单且易于理解的分类算法。下面是一个使用C语言实现的knn算法的示例代码： ```c #include <stdio.h> #include <math.h> #define K 3 // 设置k值为3 typedef struct { double x; double y; int label; } Point; int classify(Point train[], Point test) { // 计算测试点到训练集中各个点的距离 double distances[K]; for (int i = 0; i < K; i++) { double dx = train[i].x - test.x; double dy = train[i].y - test.y; distances[i] = sqrt(dx*dx + dy*dy); } // 根据距离对训练集中的点进行排序 for (int i = 0; i < K-1; i++) { for (int j = i+1; j < K; j++) { if (distances[i] > distances[j]) { double tempDist = distances[i]; distances[i] = distances[j]; distances[j] = tempDist; int tempLabel = train[i].label; train[i].label = train[j].label; train[j].label = tempLabel; } } } // 统计k个最近邻点中标签数量最多的类别 int labels[K] = {0}; for (int i = 0; i < K; i++) { labels[train[i].label]++; } int maxLabel = 0; int maxCount = 0; for (int i = 0; i < K; i++) { if (labels[i] > maxCount) { maxCount = labels[i]; maxLabel = i; } } return maxLabel; } int main() { // 训练集 Point train[] = {{1.0, 1.0, 0}, {2.0, 2.0, 0}, {4.0, 4.0, 1}, {5.0, 5.0, 1}}; // 测试点 Point test = {3.0, 3.0, 0}; // 使用knn算法进行分类 int label = classify(train, test); printf("测试点的类别为：%d\n", label); return 0; } ``` 该示例代码中定义了一个结构体`Point`，其中包含了点的坐标和标签。`classify`函数用于对测试点进行分类，首先计算测试点与训练集中各点的距离，并将训练集中的点按照距离进行排序。然后统计k个最近邻点中标签数量最多的类别作为测试点的类别。在`main`函数中，定义了一个训练集和一个测试点，并调用`classify`函数进行分类，并输出分类结果。 以上就是一个使用C语言实现knn算法的基本示例代码，根据实际需求，可以在此基础上进行进一步的修改和优化。 ### 回答3： knn算法是一种常用的分类算法，它的原理是通过计算待分类样本与已知样本的距离，然后取距离最近的k个已知样本的类别进行投票，最终确定待分类样本的类别。下面是knn算法的C语言实现代码示例： ```c #include <stdio.h> #include <math.h> // 计算欧氏距离 double calcDistance(double *sample1, double *sample2, int n) { double sum = 0.0; for (int i = 0; i < n; i++) { sum += pow(sample1[i] - sample2[i], 2); } return sqrt(sum); } // knn分类函数 int knnClassify(double **samples, int *labels, double *testSample, int k, int nSamples, int nFeatures) { double distances[nSamples]; // 计算所有样本与测试样本的距离 for (int i = 0; i < nSamples; i++) { distances[i] = calcDistance(samples[i], testSample, nFeatures); } // 根据距离排序 int sortedIndices[nSamples]; for (int i = 0; i < nSamples; i++) { sortedIndices[i] = i; } for (int i = 0; i < nSamples - 1; i++) { for (int j = i + 1; j < nSamples; j++) { if (distances[j] < distances[i]) { // 交换距离和索引 double tempDist = distances[i]; distances[i] = distances[j]; distances[j] = tempDist; int tempIndex = sortedIndices[i]; sortedIndices[i] = sortedIndices[j]; sortedIndices[j] = tempIndex; } } } // 统计k个最近邻样本的类别 int classCount[nSamples]; for (int i = 0; i < nSamples; i++) { classCount[i] = 0; } for (int i = 0; i < k; i++) { classCount[labels[sortedIndices[i]]]++; } // 选择类别最多的作为测试样本的预测类别 int maxCount = 0; int predictedLabel = -1; for (int i = 0; i < nSamples; i++) { if (classCount[i] > maxCount) { maxCount = classCount[i]; predictedLabel = i; } } return predictedLabel; } int main() { // 样本数据和标签 double samples[5][2] = {{1.0, 1.0}, {1.5, 2.0}, {3.0, 4.0}, {5.0, 7.0}, {4.5, 5.0}}; int labels[5] = {0, 0, 1, 1, 1}; // 测试样本 double testSample[2] = {3.5, 5.0}; // 设置参数 int k = 3; // k值，即最近邻个数 int nSamples = 5; // 样本个数 int nFeatures = 2; // 特征维度 // 调用knn分类函数 int predictedLabel = knnClassify(samples, labels, testSample, k, nSamples, nFeatures); printf("测试样本的预测类别为：%d\n", predictedLabel); return 0; } ``` 以上是一个简单的knn算法的C语言实现代码，通过给定一组样本数据和对应的标签，以及待测试的样本数据，通过调用knnClassify函数，可以得到待测试样本的预测类别。其中，calcDistance函数用于计算欧氏距离，knnClassify函数用于执行knn分类算法。请根据实际需要修改样本数据、标签、测试样本和参数等内容。