【Matlab】基于k近邻KNN实现多分类预测（Excel可直接替换数据）

1.算法简介

1.1 算法原理

k近邻(k-Nearest Neighbor,KNN)分类算法是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

1.2 算法优点

1. 简单、有效﹑复杂度低、无须参数估计、无须训练。
2. 精度高，对噪声不敏感。
3. 由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
4. 特别适合于多分类问题，其表现性能比SVM效果更好。

1.3 算法缺点

1. 对计算样本分类时，计算量大,每一个待分类的样本要与全体已知样本计算距离，才能得到k个最邻近点。
2. 可解释性差，无法像决策树算法一样有效解释。
3. 样本不均衡时，如果一个类样本容量很大，而其他样本容量很小时，有可能导致当输入一个新样本时，该样本的k个邻近样本中很可能该类占大多数。
4. 该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用该算法容易产生误分。
5. k值的选取对分类效果有较大影响。

1.4 算法步骤

基于KN