clear;
clc;

%?訓練數據、訓練數據標簽、測試數據、測試數據標簽
load（[‘C:\Users\Administrator\Desktop\MATLAb?Programming?practice\KNN算法的MATLAB代碼實現\train_scale.mat‘]）;
load（[‘C:\Users\Administrator\Desktop\MATLAb?Programming?practice\KNN算法的MATLAB代碼實現\train_labels.mat‘]）;
load（[‘C:\Users\Administrator\Desktop\MATLAb?Programming?practice\KNN算法的MATLAB代碼實現\test_scale.mat‘]）;
load（[‘C:\Users\Administrator\Desktop\MATLAb?Programming?practice\KNN算法的MATLAB代碼實現\test_labels.mat‘]）;

K=8;???%?k一般低于訓練樣本數的平方根
error=0;
[mtrainntrain]=size（train_scale）;
[mtestntest]=size（test_scale）;

%?外循環控制測試數據，內循環控制訓練數據
for?i=1:mtest
????dist=zeros（mtrain1）;
????for?j=1:mtrain
????????dist（j）=norm（train_scale（j:）-test_scale（i:））;??%計算訓練數據集與測試數據之間的歐氏距離dist
????end
????%將dist從小到大進行排序
????[YI]=sort（dist1）;
????
????%將訓練數據對應的類別與訓練數據排序結果對應
????train_labels=train_labels（I）;
????
????%確定前K個點所在類別的出現頻率
????classNum=length（unique（train_labels））;%取集合中的單值元素的個數得到類別數量
????predict_labels=zeros（1classNum）;
????
????%?以下for循環統計分類的標簽數量
????for?j=1:K
????????j=train_labels（j）;
????????predict_labels（j）=predict_labels（j）+1;
????end
????
????%返回前K個點中出現頻率最高的類別作為測試數據的預測分類
????[~idx]=max（predict_labels）;
????
????fprintf（‘該測試數據屬于類?%d\n‘idx）;
????fprintf（‘該測試數據的真實類為：%d\n‘test_labels（i））;
????if?idx~=test_labels（i）
????????error=error+1;
????end
end
accuracy=（1-error/mtest）*100;
fprintf（‘準確率為：%f%%\n‘accuracy）;

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????1640??2020-09-16?11:34??基于MATLAB的KNN算法實現多分類\main_KNN.m

?????文件????????192??2020-09-16?09:53??基于MATLAB的KNN算法實現多分類\test_labels.mat

?????文件???????1162??2020-09-16?09:55??基于MATLAB的KNN算法實現多分類\test_scale.mat

?????文件????????194??2020-09-16?09:52??基于MATLAB的KNN算法實現多分類\train_labels.mat

?????文件???????3835??2020-09-16?09:47??基于MATLAB的KNN算法實現多分類\train_scale.mat

?????目錄??????????0??2020-09-16?11:35??基于MATLAB的KNN算法實現多分類

-----------?---------??----------?-----??----

?????????????????7023????????????????????6