一、kNN概念描述
请参考：https://www.omegaxyz.com/2018/01/08/knn/
kNN算法又称为k最近邻(k-nearest neighbor classification)分类算法。所谓的k最近邻，就是指最接近的k个邻居（数据），即每个样本都可以由它的K个邻居来表达。
kNN算法的核心思想是，在一个含未知样本的空间，可以根据离这个样本最邻近的k个样本的数据类型来确定样本的数据类型。
该算法涉及3个主要因素：训练集、距离与相似的衡量、k的大小；
主要考虑因素：距离与相似度的；
二、举例说明
右图中，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？
如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。
三、MATLAB实现
KNN.m：KNN标签预测，输入测试数据、样本数据、样本标签、K值
输出数据：对单个样本预测的标签值
MATLAB
代码语言：txt复制function relustLabel = KNN(inx,data,labels,k)
%%
% inx 为 输入测试数据，data为样本数据，labels为样本标签
%%
[datarow , datacol] = size(data);
diffMat = repmat(inx,[datarow,1]) - data ;
distanceMat = sqrt(sum(diffMat.^2,2));
[B , IX] = sort(distanceMat,'ascend');
len = min(k,length(B));
relustLabel = mode(labels(IX(1:len)));
endObj.m 目标函数，返回值为标签预测错误率
MATLAB
代码语言：txt复制function [value] = kgetObj2(train_F,train_L,test_F,test_L)
k=4;
numTest=size(test_f,1);
numTrain=size(train_F,1);
error=0;
for i=1:numTest
classifyresult= knnsix(test_f(i,:),train_f(1:numTrain,:),train_L(1:numTrain,:),k);
if(classifyresult~=test_L(i,:))
error=error 1;
end
end
value=error/numTest;
end
