k,近邻,matlab,模式识别报告.doc

k,近邻,matlab,模式识别报告 模式识别中K均值与最近邻法matlab实现 模式识别算法实现 ——K近邻法amp;最近邻法 一． 程序用MATLAB做的 1. 用Iris数据集验证的程序 （1）用Iris数据集验证的M文件： load iris.mat; A=randperm(50);B=randperm(50);C=randperm(50); a1=A(1,1:25); a2=A(1,26:50); a=Iris(a1,1:4);%%随机取第一类数据的25组 aa=Iris(a2,1:4); b1=50*ones(1,25)+B(1,1:25); b2=50*ones(1,25)+B(1,26:50); b=Iris(b1,1:4);%%随机取第二类数据的25组 bb=Iris(b2,1:4); c1=100*ones(1,25)+C(1,1:25); c2=100*ones(1,25)+C(1,26:50); c=Iris(c1,1:4);%%随机取第三类数据的25组 cc=Iris(c2,1:4); train_sample=cat(1,a,b,c);%拼接成包含75组数据的样本集 test_sample=cat(1,aa,bb,cc); k=7;%7近邻法 cha=zeros(1,75); sum1=0;sum2=0;sum3=0; sum=0; [i,j]=size(train_sample);%i=75,j=4 [u,v]=size(test_sample);%u=75,v=4 for x=1:u for y=1:i result=sqrt((test_sample(x,1)-train_sample(y,1))+(test_sample(x,2)-train_sample(y,2))+(test_sample(x,3)-train_sample(y,3))+(test_sample(x,4)-train_sample(y,4))); cha(1,y)=result; end; [z,Ind]=sort(cha);%Ind用来存储排序前在cha中的下标 m1=0; m2=0; m3=0; for n=1:k if Ind(1,n)=25 m1=m1+1; elseif Ind(1,n)25amp;amp;Ind(1,n)=50 m2=m2+1; else m3=m3+1; end end if m1=m2amp;amp;m1=m3 m=1; elseif m2=m1amp;amp;m2=m3 m=2; elseif m3=m1amp;amp;m3=m2 m=3; end if (x=25amp;amp;m==1)sum1=sum1+1; elseif(x25amp;amp;x=50amp;amp;m==2)sum2=sum2+1; elseif(x50amp;amp;x=75amp;amp;m==3)sum3=sum3+1; end if (x=25amp;amp;m==1)||(x25amp;amp;x=50amp;amp;m==2)||(x50amp;amp;x=75amp;amp;m==3) sum=sum+1; end end disp(sprintf(#39;第一类分类正确率为%4.2f#39;,sum1/25)); disp(sprintf(#39;第二类分类正确率为%4.2f#39;,sum2/25)); disp(sprintf(#39;第三类分类正确率为%4.2f#39;,sum3/25)); disp(sprintf(#39;总分类正确率为%4.2f#39;,sum/75)); （2）验证结果： a) K近邻法：K=7 实验结果 表1. b) 最近邻法（即令K=1）实验结果 表2. (3) 数据分析 第一个表格是用K(k=7)近邻法得到的识别率，第二个表格是用最近邻法得到的识别率，可以看出对于Iris数据，两种方法的识别率都达到了95%左右。 2. 用Wine数据集验证的程序 （1）用Wine数据集验证的M文件： load wine.mat; 篇二：模式识别 最近邻法和k近邻法MATLAB实现 最近邻法和k-近邻法 学号名：吴林 一.基本概念： 最近邻法：对于未知样本x，比较x与N个已知类别的样本之间的欧式距离，并决策x与距离它最近的样本同类。 K近邻法：取未知样本x的k个近邻，看这k个近邻中多数属于哪一类，就把x归为哪一类。K取奇数，为了是避免k1=k2的情况。 二.问题分析： 要判别x属于哪一类，关键要求得与x最近的k个样本（当k=1时，即是最近邻法），然后判别这k个样本的多数属于哪一类。 可采用欧式距离公式求得两个样本间的距离s=s