matlab学习系列22.knn算法.docxVIP

21. KNN算法 KNN算法又称为k近邻分类(k-nearest neighbor classification)算法，是从训练集中找到和新数据最接近的k条记录，然后根据他们的主要分类来决定新数据的类别。该算法涉及3个主要因素：训练集、距离或相似的衡量、k的大小。 一、算法要点 1. 指导思想 其指导思想是“近朱者赤，近墨者黑”，由你的邻居来推断出你的类别。 2. 算法步骤： 1）算距离：计算已知类别数据集合汇总的点与当前点的距离，按照距离递增次序排序； 2）找邻居：选取与当前点距离最近的K个点； 3）做分类：确定距离最近的前K个点所在类别的出现频率，返回距离最近的前K个点中频率最高的类别作为当前点的预测分类。 3. k值设定为多大？ k太小，分类结果易受噪声点影响；k太大，近邻中又可能包含太多的其它类别的点。（对距离加权，可以降低k值设定的影响） k值通常是采用交叉检验来确定（以k=1为基准） 经验规则：k一般低于训练样本数的平方根 2．距离或相似度的衡量 什么是合适的距离衡量？距离越近应该意味着这两个点属于一个分类的可能性越大。常用的距离衡量包括欧氏距离、夹角余弦等。 对于文本分类来说，使用余弦(cosine)来计算相似度就比欧式(Euclidean)距离更合适。高维度对距离衡量的影响：众所周知当变量数越多，欧氏距离的区分能力就越差。 变量值域对距离的影响：值域越大的变量常常会在距离计算中占据主导作用，因此应先对变量进行标准化。 3．类别的判定 投票决定：少数服从多数，近邻中哪个类别的点最多就分为该类。 加权投票法：根据距离的远近，对近邻的投票进行加权，距离越近则权重越大（权重为距离平方的倒数）。 投票法没有考虑近邻的距离的远近，距离更近的近邻也许更应该决定最终的分类，所以加权投票法更恰当一些。 4. 优缺点 1）优点 简单，易于理解，易于实现，无需估计参数，无需训练。适合对稀有事件进行分类（例如当流失率很低时，比如低于0.5%，构造流失预测模型）。特别适合于多分类问题(multi-modal, 对象具有多个类别标签)，例如根据基因特征来判断其功能分类，kNN比SVM（支持向量机）的表现要好。 2）缺点 懒惰算法，对测试样本分类时的计算量大，内存开销大，评分慢。可解释性较差，无法给出决策树那样的规则。 二、Matlab实现 KNN.m function relustLabel=KNN(test,train,trainlabels,k,type) %% test 为一条输入测试数据，train为样本数据，trainlabels为样本标签,选取k个临近值 row = size(train,1); for j=1:row switch type case 1 % 求test到每个样本的欧氏距离 distanceMat(j)=sum((test-train(j,:)).^2); case 2 求test到每个样本的夹角余弦 distanceMat(j)=(train(j,:)*test)/(norm(train(j,:),2)*norm(test,2)); if distanceMat(j)0 distanceMat(j)=(distanceMat(j)+1)/2; end end end distanceMat=distanceMat; [B, IX] = sort(distanceMat,ascend); %距离从小到大排序 len = min(k,length(B)); %选k个邻近值，当然k不能超过训练样本个数 relustLabel = mode(trainlabels(IX(1:len))); % 取众数（即出现频率最高的label）作为返回结果 end 测试数据（部分）： 主程序： load data; dataMat = data(:,1:3); labels = data(:,4); len = size(dataMat,1); k = 4; error = 0; %观察可视化数据 label1=find(data(:,4)==1); label2=find(data(:,4)==2); label3=find(data(:,4)==3); plot3(data(label1,1),data(label1,2),data(label1,3),ro); hold on plot3(data(label2,1),data(label2,2),data(label2,3),go); plot3(data(lab