实习报告-近邻法..doc

K-近邻法 系别： 数学系 专业： 班级： 组员： 题目内容 样本 ω1 ω2 ω3 x1 x2 x3 x1 x2 x3 x1 x2 x3 1 0.28 1.31 -6.2 0.011 1.03 -0.21 1.36 2.17 0.14 2 0.07 0.58 -0.78 1.27 1.28 0.08 1.41 1.45 -0.38 3 1.54 2.01 -1.63 0.13 3.12 0.16 1.22 0.99 0.69 4 -0.44 1.18 -4.32 -0.21 1.23 -0.11 2.46 2.19 1.31 5 -0.81 0.21 5.73 -2.18 1.39 -0.19 0.68 0.79 0.87 6 1.52 3.16 2.77 0.34 1.96 -0.16 2.51 3.22 1.35 7 2.2 2.42 -0.19 -1.38 0.94 0.45 0.6 2.44 0.92 8 0.91 1.94 6.21 -0.12 0.82 0.17 0.64 0.13 0.97 9 0.65 1.93 4.38 -1.44 2.31 0.14 0.85 0.58 0.99 10 -0.26 0.82 -0.96 0.26 1.94 0.08 0.66 0.51 0.88 编写K-近邻法程序，对样本点(-0.41,0.82,0.88)，(0.14,0.72,4.1)，(-0.81,0.61,-0.38)进行分类。 在很多情况下，把决策建立在一个最近的样本上有一定风险[1] ，当数据分布复杂或是数据中噪声严重时尤其如此。一种很自然的改进就是引入投票机制，选择前若干个离新样本最近的已知样本，用它们的类别投票来决定新样本的类别，这种方法称作K-近邻法。 其基本结论是：随着K的增加，错误率上逐渐降低；当K趋近于无穷大时，此法的错误率即为贝叶斯错误率。 for i=1:30 a(:,i)=Kfenlei(shuju,daifenlei,i); end b=a； 分类（M文件） function [ lei ] = Kfenlei( chushi,dangqian,n ) juli=[]; %%存储各点到当前点的距离 for m=1:3 %%三个未知分类点 for i=1:size(chushi) juli(i,m)=((chushi(i,1)-dangqian(m,1))^2+(chushi(i,2)-dangqian(m,2))^2+(chushi(i,3)-dangqian(m,3))^2)^0.5; %%计算各点到当前点的距离并存储 end geshu=zeros(3,1); %%存储投票数 for j=1:n %%查找n个近邻 a=minx(juli,m); %%查找当前距离最近的 geshu(chushi(a,4),1)=geshu(chushi(a,4),1)+1; %%最近的那组票数加1 juli(a,m)=inf; %%将当前最小值为极大值，以查找下一个最小值 end max=geshu(1,1); %%以第一组的票数作为初始值 zu=1; %%记录下组号 if geshu(2,1)=max %%如果第二组票数大于等于第一组票数 max=geshu(2,1); zu=2; end if geshu(3,1)=max %%如果第三组票数大于等于当前最大票数 max=geshu(2,1); zu=3; end lei(m,1)=zu; %%返回分类结果 end end for i=1:size(juli) if juli(i,m)zuixiao a=i; %%存下当前最小值所对应的行数 zuixiao=juli(i,m); %%记录当前最小值便于循环比较 end end end 运行结果 待定点 近邻个数 (-0.41,0.82,0.88) (0.14,0.72,4.1) (-0.81,0.61,-0.38) K=1