knn的c++版本

最新推荐文章于 2023-11-17 18:56:37 发布
最新推荐文章于 2023-11-17 18:56:37 发布
阅读量669 收藏
点赞数 1
文章标签： c语言

找了几个版本，这个思路最清晰

// knn.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"


//
////////////////////////////////////////////////////////////////////////////////////////////////////////
#include <stdlib.h>
#include <stdio.h>
#include <memory.h>
#include <string.h>
#include <iostream>
#include <math.h>
#include <fstream>
using namespace std;
////////////////////////////////////////////////////////////////////////////////////////////////////////
//
//    宏定义
//
////////////////////////////////////////////////////////////////////////////////////////////////////////
#define  ATTR_NUM  4                        //属性数目
#define  MAX_SIZE_OF_TRAINING_SET  1000      //训练数据集的最大大小
#define  MAX_SIZE_OF_TEST_SET      100       //测试数据集的最大大小
#define  MAX_VALUE  10000.0                  //属性最大值
#define  K  7
//结构体
struct dataVector
{
    int ID;                      //ID号
    char classLabel[15];             //分类标号
    double attributes[ATTR_NUM]; //属性 
};

struct distanceStruct
{
    int ID;                      //ID号
    double distance;             //距离
    char classLabel[15];             //分类标号
};

////////////////////////////////////////////////////////////////////////////////////////////////////////
//
//    全局变量
//
////////////////////////////////////////////////////////////////////////////////////////////////////////
struct dataVector gTrainingSet[MAX_SIZE_OF_TRAINING_SET]; //训练数据集
struct dataVector gTestSet[MAX_SIZE_OF_TEST_SET];         //测试数据集
struct distanceStruct gNearestDistance[K];                //K个最近邻距离
int curTrainingSetSize=0;                                 //训练数据集的大小
int curTestSetSize=0;                                     //测试数据集的大小
////////////////////////////////////////////////////////////////////////////////////////////////////////
//
//    求 vector1=(x1,x2,...,xn)和vector2=(y1,y2,...,yn)的欧几里德距离
//
////////////////////////////////////////////////////////////////////////////////////////////////////////
double Distance(struct dataVector vector1,struct dataVector vector2)
{
    double dist,sum=0.0;
    for(int i=0;i<ATTR_NUM;i++)
    {
        sum+=(vector1.attributes[i]-vector2.attributes[i])*(vector1.attributes[i]-vector2.attributes[i]);
    }
    dist=sqrt(sum);
    return dist;
}
////////////////////////////////////////////////////////////////////////////////////////////////////////
//
//    得到gNearestDistance中的最大距离，返回下标
//
////////////////////////////////////////////////////////////////////////////////////////////////////////
int GetMaxDistance()
{
    int maxNo=0;
    for(int i=1;i<K;i++)
    {
        if(gNearestDistance[i].distance>gNearestDistance[maxNo].distance)
            maxNo = i;
    }
    return maxNo;
}
////////////////////////////////////////////////////////////////////////////////////////////////////////
//
//    对未知样本Sample分类
//
////////////////////////////////////////////////////////////////////////////////////////////////////////
char* Classify(struct dataVector Sample)
{
    double dist=0;
    int maxid=0,freq[K],i,tmpfreq=1;;
    char *curClassLable=gNearestDistance[0].classLabel;
    memset(freq,0,sizeof(freq));
    //step.1---初始化距离为最大值
    for(i=0;i<K;i++)
    {
        gNearestDistance[i].distance=MAX_VALUE;
    }
    //step.2---计算K-最近邻距离
    for(i=0;i<curTrainingSetSize;i++)
    {
        //step.2.1---计算未知样本和每个训练样本的距离
        dist=Distance(gTrainingSet[i],Sample);
        //step.2.2---得到gNearestDistance中的最大距离
        maxid=GetMaxDistance();
        //step.2.3---如果距离小于gNearestDistance中的最大距离，则将该样本作为K-最近邻样本
        if(dist<gNearestDistance[maxid].distance)
        {
            gNearestDistance[maxid].ID=gTrainingSet[i].ID;
            gNearestDistance[maxid].distance=dist;
            strcpy(gNearestDistance[maxid].classLabel,gTrainingSet[i].classLabel);
        }
    }
    /// 3、4可以合并优化
    //step.3---统计每个类出现的次数
    for(i=0;i<K;i++) 
    {
        for(int j=0;j<K;j++)
        {
            if((i!=j)&&(strcmp(gNearestDistance[i].classLabel,gNearestDistance[j].classLabel)==0))
            {
                freq[i]+=1;
            }
        }
    }
    //step.4---选择出现频率最大的类标号
    for(i=0;i<K;i++)
    {
        if(freq[i]>tmpfreq) 
        {
            tmpfreq=freq[i];
            curClassLable=gNearestDistance[i].classLabel;
        }
    }
    return curClassLable;
}
////////////////////////////////////////////////////////////////////////////////////////////////////////
//
//    主函数
//
////////////////////////////////////////////////////////////////////////////////////////////////////////

void main()
{  
    char c;
    char *classLabel="";
    int i,j, rowNo=0,TruePositive=0,FalsePositive=0;
    ifstream filein("iris.data");
    FILE *fp;
    if(filein.fail()){cout<<"Can't open data.txt"<<endl; return;}
    //step.1---读文件 
    while(!filein.eof())
    {
        rowNo++;//第一组数据rowNo=1
        if(curTrainingSetSize>=MAX_SIZE_OF_TRAINING_SET)
        {
            cout<<"The training set has "<<MAX_SIZE_OF_TRAINING_SET<<" examples!"<<endl<<endl;
            break ;
        }  
        //rowNo%3!=0的100组数据作为训练数据集
        if(rowNo%3!=0)
        {   
            gTrainingSet[curTrainingSetSize].ID=rowNo;
            for(int i = 0;i < ATTR_NUM;i++)
            {     
                filein>>gTrainingSet[curTrainingSetSize].attributes[i];
                filein>>c;
            }   
            filein>>gTrainingSet[curTrainingSetSize].classLabel;
            curTrainingSetSize++;

        }
        //剩下rowNo%3==0的50组做测试数据集
        else if(rowNo%3==0)
        {
            gTestSet[curTestSetSize].ID=rowNo;
            for(int i = 0;i < ATTR_NUM;i++)
            {    
                filein>>gTestSet[curTestSetSize].attributes[i];
                filein>>c;
            }  
            filein>>gTestSet[curTestSetSize].classLabel;
            curTestSetSize++;
        }
    }
    filein.close();
    //step.2---KNN算法进行分类，并将结果写到文件iris_OutPut.txt
    fp=fopen("iris_OutPut.txt","w+t");
    //用KNN算法进行分类
    fprintf(fp,"************************************程序说明***************************************\n");
    fprintf(fp,"** 采用KNN算法对iris.data分类。为了操作方便，对各组数据添加rowNo属性,第一组rowNo=1!\n");
    fprintf(fp,"** 共有150组数据,选择rowNo模3不等于0的100组作为训练数据集，剩下的50组做测试数据集\n");
    fprintf(fp,"***********************************************************************************\n\n");
    fprintf(fp,"************************************实验结果***************************************\n\n");
    for(i=0;i<curTestSetSize;i++)
    {
        fprintf(fp,"************************************第%d组数据**************************************\n",i+1);
        classLabel =Classify(gTestSet[i]);
        if(strcmp(classLabel,gTestSet[i].classLabel)==0)//相等时，分类正确
        {
            TruePositive++;
        }
        cout<<"rowNo: ";
        cout<<gTestSet[i].ID<<"    \t";
        cout<<"KNN分类结果:      ";

        cout<<classLabel<<"(正确类标号: ";
        cout<<gTestSet[i].classLabel<<")\n";
        fprintf(fp,"rowNo:  %3d   \t  KNN分类结果:  %s ( 正确类标号:  %s )\n",gTestSet[i].ID,classLabel,gTestSet[i].classLabel);
        if(strcmp(classLabel,gTestSet[i].classLabel)!=0)//不等时，分类错误
        {
            // cout<<"   ***分类错误***\n";
            fprintf(fp,"***分类错误***\n");
        }
        fprintf(fp,"%d-最临近数据:\n",K);
        for(j=0;j<K;j++)
        {
            // cout<<gNearestDistance[j].ID<<"\t"<<gNearestDistance[j].distance<<"\t"<<gNearestDistance[j].classLabel[15]<<endl;
            fprintf(fp,"rowNo:  %3d   \t   Distance:  %f   \tClassLable:    %s\n",gNearestDistance[j].ID,gNearestDistance[j].distance,gNearestDistance[j].classLabel);
        }
        fprintf(fp,"\n");
    }
    FalsePositive=curTestSetSize-TruePositive;
    fprintf(fp,"***********************************结果分析**************************************\n",i);
    fprintf(fp,"TP(True positive): %d\nFP(False positive): %d\naccuracy: %f\n",TruePositive,FalsePositive,double(TruePositive)/(curTestSetSize-1));
    fclose(fp);
    system("pause");
    return;
}

以下是测试数据，

5.1,3.5,1.4,0.2,Iris-setosa
4.9,3.0,1.4,0.2,Iris-setosa
4.7,3.2,1.3,0.2,Iris-setosa
4.6,3.1,1.5,0.2,Iris-setosa
5.0,3.6,1.4,0.2,Iris-setosa
5.4,3.9,1.7,0.4,Iris-setosa
4.6,3.4,1.4,0.3,Iris-setosa
5.0,3.4,1.5,0.2,Iris-setosa
4.4,2.9,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
5.4,3.7,1.5,0.2,Iris-setosa
4.8,3.4,1.6,0.2,Iris-setosa
4.8,3.0,1.4,0.1,Iris-setosa
4.3,3.0,1.1,0.1,Iris-setosa
5.8,4.0,1.2,0.2,Iris-setosa
5.7,4.4,1.5,0.4,Iris-setosa
5.4,3.9,1.3,0.4,Iris-setosa
5.1,3.5,1.4,0.3,Iris-setosa
5.7,3.8,1.7,0.3,Iris-setosa
5.1,3.8,1.5,0.3,Iris-setosa
5.4,3.4,1.7,0.2,Iris-setosa
5.1,3.7,1.5,0.4,Iris-setosa
4.6,3.6,1.0,0.2,Iris-setosa
5.1,3.3,1.7,0.5,Iris-setosa
4.8,3.4,1.9,0.2,Iris-setosa
5.0,3.0,1.6,0.2,Iris-setosa
5.0,3.4,1.6,0.4,Iris-setosa
5.2,3.5,1.5,0.2,Iris-setosa
5.2,3.4,1.4,0.2,Iris-setosa
4.7,3.2,1.6,0.2,Iris-setosa
4.8,3.1,1.6,0.2,Iris-setosa
5.4,3.4,1.5,0.4,Iris-setosa
5.2,4.1,1.5,0.1,Iris-setosa
5.5,4.2,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
5.0,3.2,1.2,0.2,Iris-setosa
5.5,3.5,1.3,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa
4.4,3.0,1.3,0.2,Iris-setosa
5.1,3.4,1.5,0.2,Iris-setosa
5.0,3.5,1.3,0.3,Iris-setosa
4.5,2.3,1.3,0.3,Iris-setosa
4.4,3.2,1.3,0.2,Iris-setosa
5.0,3.5,1.6,0.6,Iris-setosa
5.1,3.8,1.9,0.4,Iris-setosa
4.8,3.0,1.4,0.3,Iris-setosa
5.1,3.8,1.6,0.2,Iris-setosa
4.6,3.2,1.4,0.2,Iris-setosa
5.3,3.7,1.5,0.2,Iris-setosa
5.0,3.3,1.4,0.2,Iris-setosa
7.0,3.2,4.7,1.4,Iris-versicolor
6.4,3.2,4.5,1.5,Iris-versicolor
6.9,3.1,4.9,1.5,Iris-versicolor
5.5,2.3,4.0,1.3,Iris-versicolor
6.5,2.8,4.6,1.5,Iris-versicolor
5.7,2.8,4.5,1.3,Iris-versicolor
6.3,3.3,4.7,1.6,Iris-versicolor
4.9,2.4,3.3,1.0,Iris-versicolor
6.6,2.9,4.6,1.3,Iris-versicolor
5.2,2.7,3.9,1.4,Iris-versicolor
5.0,2.0,3.5,1.0,Iris-versicolor
5.9,3.0,4.2,1.5,Iris-versicolor
6.0,2.2,4.0,1.0,Iris-versicolor
6.1,2.9,4.7,1.4,Iris-versicolor
5.6,2.9,3.6,1.3,Iris-versicolor
6.7,3.1,4.4,1.4,Iris-versicolor
5.6,3.0,4.5,1.5,Iris-versicolor
5.8,2.7,4.1,1.0,Iris-versicolor
6.2,2.2,4.5,1.5,Iris-versicolor
5.6,2.5,3.9,1.1,Iris-versicolor
5.9,3.2,4.8,1.8,Iris-versicolor
6.1,2.8,4.0,1.3,Iris-versicolor
6.3,2.5,4.9,1.5,Iris-versicolor
6.1,2.8,4.7,1.2,Iris-versicolor
6.4,2.9,4.3,1.3,Iris-versicolor
6.6,3.0,4.4,1.4,Iris-versicolor
6.8,2.8,4.8,1.4,Iris-versicolor
6.7,3.0,5.0,1.7,Iris-versicolor
6.0,2.9,4.5,1.5,Iris-versicolor
5.7,2.6,3.5,1.0,Iris-versicolor
5.5,2.4,3.8,1.1,Iris-versicolor
5.5,2.4,3.7,1.0,Iris-versicolor
5.8,2.7,3.9,1.2,Iris-versicolor
6.0,2.7,5.1,1.6,Iris-versicolor
5.4,3.0,4.5,1.5,Iris-versicolor
6.0,3.4,4.5,1.6,Iris-versicolor
6.7,3.1,4.7,1.5,Iris-versicolor
6.3,2.3,4.4,1.3,Iris-versicolor
5.6,3.0,4.1,1.3,Iris-versicolor
5.5,2.5,4.0,1.3,Iris-versicolor
5.5,2.6,4.4,1.2,Iris-versicolor
6.1,3.0,4.6,1.4,Iris-versicolor
5.8,2.6,4.0,1.2,Iris-versicolor
5.0,2.3,3.3,1.0,Iris-versicolor
5.6,2.7,4.2,1.3,Iris-versicolor
5.7,3.0,4.2,1.2,Iris-versicolor
5.7,2.9,4.2,1.3,Iris-versicolor
6.2,2.9,4.3,1.3,Iris-versicolor
5.1,2.5,3.0,1.1,Iris-versicolor
5.7,2.8,4.1,1.3,Iris-versicolor
6.3,3.3,6.0,2.5,Iris-virginica
5.8,2.7,5.1,1.9,Iris-virginica
7.1,3.0,5.9,2.1,Iris-virginica
6.3,2.9,5.6,1.8,Iris-virginica
6.5,3.0,5.8,2.2,Iris-virginica
7.6,3.0,6.6,2.1,Iris-virginica
4.9,2.5,4.5,1.7,Iris-virginica
7.3,2.9,6.3,1.8,Iris-virginica
6.7,2.5,5.8,1.8,Iris-virginica
7.2,3.6,6.1,2.5,Iris-virginica
6.5,3.2,5.1,2.0,Iris-virginica
6.4,2.7,5.3,1.9,Iris-virginica
6.8,3.0,5.5,2.1,Iris-virginica
5.7,2.5,5.0,2.0,Iris-virginica
5.8,2.8,5.1,2.4,Iris-virginica
6.4,3.2,5.3,2.3,Iris-virginica
6.5,3.0,5.5,1.8,Iris-virginica
7.7,3.8,6.7,2.2,Iris-virginica
7.7,2.6,6.9,2.3,Iris-virginica
6.0,2.2,5.0,1.5,Iris-virginica
6.9,3.2,5.7,2.3,Iris-virginica
5.6,2.8,4.9,2.0,Iris-virginica
7.7,2.8,6.7,2.0,Iris-virginica
6.3,2.7,4.9,1.8,Iris-virginica
6.7,3.3,5.7,2.1,Iris-virginica
7.2,3.2,6.0,1.8,Iris-virginica
6.2,2.8,4.8,1.8,Iris-virginica
6.1,3.0,4.9,1.8,Iris-virginica
6.4,2.8,5.6,2.1,Iris-virginica
7.2,3.0,5.8,1.6,Iris-virginica
7.4,2.8,6.1,1.9,Iris-virginica
7.9,3.8,6.4,2.0,Iris-virginica
6.4,2.8,5.6,2.2,Iris-virginica
6.3,2.8,5.1,1.5,Iris-virginica
6.1,2.6,5.6,1.4,Iris-virginica
7.7,3.0,6.1,2.3,Iris-virginica
6.3,3.4,5.6,2.4,Iris-virginica
6.4,3.1,5.5,1.8,Iris-virginica
6.0,3.0,4.8,1.8,Iris-virginica
6.9,3.1,5.4,2.1,Iris-virginica
6.7,3.1,5.6,2.4,Iris-virginica
6.9,3.1,5.1,2.3,Iris-virginica
5.8,2.7,5.1,1.9,Iris-virginica
6.8,3.2,5.9,2.3,Iris-virginica
6.7,3.3,5.7,2.5,Iris-virginica
6.7,3.0,5.2,2.3,Iris-virginica
6.3,2.5,5.0,1.9,Iris-virginica
6.5,3.0,5.2,2.0,Iris-virginica
6.2,3.4,5.4,2.3,Iris-virginica
5.9,3.0,5.1,1.8,Iris-virginica
feihuadao
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
knn算法的C++实现
withme的博客
04-17 6085
knn算法的C++实现
KNN算法 C++实现
tjusxh的专栏
04-03 3796
KNN是分类方法，对于可以计算距离的样本，给出已经分好类的样本和K值，计算待检测数据是属于哪一类. 测试数据来自http://download.csdn.net/download/qq_16267353/7520631
knn代码c++
04-07
knn用于图像处理的，c++洗的代码。
KNN算法C++
12-05
C++实现KNN算法，iris数据集验证。iris数据集是一个经典的机器学习数据集。
KNN C++代码
02-26
C++实现了KNN分类，内容全面，容易理解
Knn.rar_KNN C++实现
09-14
c++课程中要求的实现KNN的问题。解决了数据的产生问题
knn分类器c++实现（含测试数据IRIS）
06-19
在vs2008上用c++实现的knn分类器，内含测试数据，是初学者的好东西
KNN算法 c++实现
m0_70732442的博客
10-18 445
k-近邻（kNN, k-NearestNeighbor）是在训练集中选取离输入的数据点最近的k个邻居，根据这个k个邻居中出现次数最多的类别（最大表决规则），作为该数据点的类别。某班有14个同学，已登记身高及等级，新同学易昌，身高1.74cm，等级是什么。请用knn算法进行分类识别，其中k=5。
C++实现KNN算法
ic_design11的博客
05-26 213
【代码】C++实现KNN算法。
机器学习（3） K近邻算法（KNN）介绍及C++实现
ProfSnail的博客
02-09 3702
KNN算法是一种多维数据分类算法，本文依据《统计学习方法》，介绍K近邻算法（KNN），并给出KD树的C++实现。
菜鸟进阶： C++实现KNN文本分类算法
leoking01的专栏
03-03 1778
转载自：http://www.cnblogs.com/finallyliuyu/archive/2010/09/26/1836285.html 原始作者:finallyliuyu(转载请注明原作者和出处) （代码暂不发布源码下载版，以后会发布）     KNN文本分类算法又称为(k nearest neighhor)。它是一种基于事例的学习方法，也称懒惰式学习方法。     它
使用C++来实现KNN算法
06-16
使用C++来实现KNN算法，开发环境为visual studio 2012
knn算法实现（C++）
12-01
这是我从网上down的代码，里面有KNN的文档和源代码。上传这个资源的目的是明确的告诉大家，这个资源是可以运行的，如果开始接触KNN的话这个很不错，不想让大家浪费时间和积分去下很多然后再来赛选哪个是可用的。
knn的完整c++实现
04-23
knn算法的c++完整算法实现，这个代码为学习机器提供很好的帮助
k近邻算法knn的c代码
11-04
knn算法的c代码，支持从文件从读取数据，支持不同维度，测试正确，非常有用！
c++实现knn笔记20230406
ID_ZHAO的博客
04-06 155
cout
KNN算法---c++实现KNN算法
谦190的博客
07-02 7865
KNN算法的编程步骤 文件data.txt中的数据为： 1. c++读取txt 文件到数组中的程序 #include #include using namespace std; #define maxRow 12 #define maxCol 2 ifstream fin; //定义ifstream 类的对象：fin ofstream fout; //定义of
C++实现KNN和K-Means
最新发布
m0_63235356的博客
11-17 243
代码中我是自己定义了一个类来作为数据，一共有两个元素，可以把数据看作的二维的坐标点，然后要分类新数据的时候就对所有已有数据点来计算距离，然后挑出距离最近的K个点，按照类型的占比来对新数据的类型进行预测。首先我们先初始化K个锚点，随便初始化（当然效果不会好），一个锚点算是单独一个类型，然后计算所有数据点到这K个锚点之间的距离，如果数据点到某个锚点最近，那么就把这个数据点划分为这个锚点的类型。来新数据的时候我们只需要计算新数据和这个K个锚点之间的距离，把新数据归类到最近的锚点下就完成了分类。
人工智能算法--KNN算法(C++实现)
肥宅Sean
10-21 2455
# 上面的图片是在网上随手翻到的-很符合主题-侵权删 #蹭热度ing Knn算法，用于分类。 通过得到逻辑上的相近程度实现判断，K值的大小体现的是一个容错的过程。 提高预测准确度的方法： 调整K值，找到更好的K值(别太大，也别太小) 数据的预处理(有大佬说过，数据的预处理会比算法本身更重要) 逻辑距离的选择(欧氏距离，闵式距离，切比雪夫距离….) 分类，就是一种选择的过程。将事件抽象为
knn算法c++代码实现
04-18
// KNN算法的C++代码实现 #include #include #include using namespace std; // 计算两个点之间的距离 double distance(int x[], int y[], int n) { double dis = 0; for(int i=0; i; i++) { dis += pow(x...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值