0
所以我想用我的数据,我下面定义(有两个标签),并使用KNN进行培训和测试,也交叉验证。我无法找到有用的MATLAB教程,所以如果你们能帮助我,我很感激。KNN Matlab列车测试交叉验证
想象我有
Data=rand(2000,2);
Lables=[ones(1000,1);-1*ones(1000,1)];
我想用KNN和有:培训数据的
- 50%
- 25%交叉验证
- 25%的测试
所以我想用我的数据,我下面定义(有两个标签),并使用KNN进行培训和测试,也交叉验证。我无法找到有用的MATLAB教程,所以如果你们能帮助我,我很感激。KNN Matlab列车测试交叉验证
想象我有
Data=rand(2000,2);
Lables=[ones(1000,1);-1*ones(1000,1)];
我想用KNN和有:培训数据的
你给的数据不是这么好的d因为两套之间没有差异。您应该使用
Data = [rand(1000,2)+delta;rand(1000,2)-delta];
就越容易将分类 背后k近邻的想法最大的三角洲是,你不需要任何培训。
假设您有一个包含N个标签值的数据集。现在假设你有一个你想分类的条目。
如果您考虑1-NN分类器,则计算输入和N标记的训练示例之间的距离。输入分类为具有最短距离的示例标签。
在k-NN分类器中,检查具有最短距离的示例的k个标签。具有最多NN数量的类获胜。
在MATLAB中,您可以使用knnserach来查找最近的k个索引,或者使用knnclassify来获取标签。
这里是knnserach一个例子
delta = 0.3;
N1 = 50;
N2 = 50;
Data1 = rand(1000,2)+delta;
Data2 = rand(1000,2)-delta;
train = [Data1(1:N1,:);Data2(1:N2,:)]; % create a training set
labels = [ones(N1,1);-1*ones(N2,1)]; % create labels for the training
plot(train(1:N1,1),train(1:N1,2),'xb',train(N1+1:end,1),train(N1+1:end,2),'or')
k = 7; % Can't be an even number
idx = knnsearch(train,Data1(N1+1:end,:),'K',k); % classify for the rest of data 1
res1 = 0;
for i=1:size(idx,1)
if sum(labels(idx(i,:))) < 0;
res1 = res1 + 0; % wrong answer
else
res1 = res1 + 1; % correct answer
end
end
idx2 = knnsearch(train,Data2(N2+1:end,:),'K',k); % classify for the rest of data 2
res2 = 0;
for i=1:size(idx2,1)
if sum(labels(idx2(i,:))) > 0;
res2 = res2 + 0; % wrong answer
else
res2 = res2 + 1; % correct answer
end
end
corr = res1+res2;
tot = size(idx2,1)+size(idx,1);
fprintf('Classified %d right out of %d. %.2f correct\n',corr,tot,corr/tot * 100)