剪辑近邻和压缩近邻在iris数据集上的试验分析.pdfVIP

用Iris 数据进行k-近邻法试验的结果分析 一、试验所用的数据 （1 ）训练数据为15 个Iris-setosa 和14 个Iris-versicolor 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2,Iris-setosa 5.0,3.6,1.4,0.2,Iris-setosa 5.4,3.9,1.7,0.4,Iris-setosa 4.6,3.4,1.4,0.3,Iris-setosa 5.0,3.4,1.5,0.2,Iris-setosa 4.4,2.9,1.4,0.2,Iris-setosa 4.9,3.1,1.5,0.1,Iris-setosa 5.4,3.7,1.5,0.2,Iris-setosa 4.8,3.4,1.6,0.2,Iris-setosa 4.8,3.0,1.4,0.1,Iris-setosa 4.3,3.0,1.1,0.1,Iris-setosa 5.8,4.0,1.2,0.2,Iris-setosa 7.0,3.2,4.7,1.4,Iris-versicolor 6.4,3.2,4.5,1.5,Iris-versicolor 6.9,3.1,4.9,1.5,Iris-versicolor 5.5,2.3,4.0,1.3,Iris-versicolor 6.5,2.8,4.6,1.5,Iris-versicolor 5.7,2.8,4.5,1.3,Iris-versicolor 6.3,3.3,4.7,1.6,Iris-versicolor 4.9,2.4,3.3,1.0,Iris-versicolor 6.6,2.9,4.6,1.3,Iris-versicolor 5.2,2.7,3.9,1.4,Iris-versicolor 5.0,2.0,3.5,1.0,Iris-versicolor 5.9,3.0,4.2,1.5,Iris-versicolor 6.0,2.2,4.0,1.0,Iris-versicolor 6.1,2.9,4.7,1.4,Iris-versicolor （2 ）测试样本为 5.7,4.4,1.5,0.4,Iris-setosa 5.4,3.9,1.3,0.4,Iris-setosa 5.1,3.5,1.4,0.3,Iris-setosa 5.7,3.8,1.7,0.3,Iris-setosa 5.1,3.8,1.5,0.3,Iris-setosa 5.4,3.4,1.7,0.2,Iris-setosa 5.1,3.7,1.5,0.4,Iris-setosa 4.6,3.6,1.0,0.2,Iris-setosa 5.1,3.3,1.7,0.5,Iris-setosa 4.8,3.4,1.9,0.2,Iris-setosa 二、实验过程 （1 ）对数据进行预处理，相关命令如下 load Iris_se load Iris_ve load tr_se load tr_ve load Lse load Lve Xt=[Iris_se Iris_ve]; XL=[Lse;Lve]; （2 ）先后调用函数mult 对训练样本进行剪辑，和函数yasuo 对剪辑 后的样本进行压缩。然后再调用函数knn 对根据新形成的样本对测试 样本进行测试。具体函数如下： [Yt,YL]=mult(Xt,XL); [St,SL]=yasuo(Yt,YL); RL=knn(St,SL,tr_se,3); 三、试验结果 试验是对10 个Iris-setosa 样本进行检测的，RL 中的元素表示它的类别标签。 结果为 。这表明10 个 Iris-setosa 样本的类别标签都为0，也就是说 通过训练样本他们都被分到 Iris_se 这个类中，分类完全正确，正确率为 100%。 但是应当注意，此次试验只是对小的样本进行了试验，结果虽然良好。 这是因为样本简单，线性可分度很强。有必要再对大的复杂的样本作 些测试。观察测试结果是否依然完好。