机器学习：KNN算法

   K-近邻算法的思想如下：首先，计算新样本与训练样本之间的距离，找到距离最近的K 个邻居；然后，根据这些邻居所属的类别来判定新样本的类别，如果它们都属于同一个类别，那么新样本也属于这个类；否则，对每个后选类别进行评分，按照某种规则确定新样本的类别。（统计出现的频率）

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这种算法比较容易产生误分当K值较小时可能产生过拟合，因为训练误差很小，但是测试误差可能很大;相反，当K值较大时可能产生欠拟合。

算法伪代码

对未知类别属性的数据集中的每个点依次执行以下操作：

（1）    计算已知类别的数据集中的点与当前点之间的距离；

（2）    按照距离递增次序排序；

（3）    选取与当前点距离最小的K个点；

（4）    确定前K个点所在类别的出现频率；

（5）    返回前K个点出现频率最高的类别作为当前点的预测分类。

 

%
%手写数字识别系统的测试代码
%
function handWritingTest()
    tic; %开始计时
    K = 3;  % 这里可以调整k值
    trainLabels = [];
    direct = mfilename('fullpath');%
    traindirect = strrep(direct,'handWritingTest','trainingDigits'); %trainingDigits
   %获得路径
    traindirfile = dir(fullfile(traindirect,'*.txt'));%提取后缀名.txt
    traindircell = struct2cell(traindirfile)';
    trainfilenames = traindircell(:,1);
    trainfileNums = length(trainfilenames);
    trainMat = zeros(trainfileNums,1024);
    for i = 1:trainfileNums
        fileNameStr = trainfilenames(i);
        str = deblank(fileNameStr);
        s = regexp(str,'\.','split'); %
        fileStr = s{1}(1);
        classNumStr =  regexp(fileStr,'\_','split');
        trainLabels(i)=str2num(char(classNumStr{1}(1))); %得到类别 0 - 9 
        filePath = strcat(traindirect,'\',fileNameStr); %文件路径
        trainMat(i,:) = img2vector(filePath);%处理文件 获得向量
    end
    
    %测试样本
    direct = mfilename('fullpath');
    testdirect = strrep(direct,'handWritingTest','testDigits');%testDigits
    testdirfile = dir(fullfile(testdirect,'*.txt'));
    testdircell = struct2cell(testdirfile)';
    testfilenames = testdircell(:,1);
    testfileNums = length(testfilenames);
    errorcount = 0;
    for j = 1:testfileNums
        fileNameStr = testfilenames(j);
        str = deblank(fileNameStr);
        s = regexp(str,'\.','split');
        fileStr = s{1}(1);
        classNumStr =  regexp(fileStr,'\_','split');
        testLabel = str2num(char(classNumStr{1}(1))); %得到类别 0 - 9 
        filePath = strcat(testdirect,'\',fileNameStr);
        testVector = img2vector(filePath);
        classifyRet = classify(testVector,trainMat,trainLabels,K);
        if(classifyRet ~= testLabel)
            errorcount = errorcount + 1;
            fprintf('test result:  %d,    real result:  %d ,    here error!!! \n',classifyRet,testLabel);
        else
            fprintf('test result:  %d,    real result:  %d \n',classifyRet,testLabel);
        end
    end
    lastTime = num2str(toc);
    fprintf('\n the sum numbers of errors :  %d ',errorcount);
    fprintf('\n the total error rate :  %f  ' ,(errorcount / testfileNums));
    fprintf('\n total time :    %f',lastTime);
end

%
%KNN算法 classify(test,dataSet,labels,k)
%四个参数：test用于分类的输入向量;输入的训练样本集为dataSet;
%标签向量为labels; k 表示用于选择最近邻居的数目；
%

function maxClass = classify(test,dataSet,labels,k)
    [dataRow,dataCol] = size(dataSet);%dataRow:样本个数；dataCol：特征
    %求距离 test 与样本数据之间的距离   这里为欧式距离
    diffMat = dataSet;
    for i = 1:dataRow
        diffMat(i,:) = diffMat(i,:) - test; 
    end
    sqdiffMat = diffMat.^2;
    sqDistances = sum(sqdiffMat,2).^(0.5);
    [p,q] = sort(sqDistances);  %p代表要排序的数，q代表要排序的数原来对应的索引
    %通过k  来求最邻居的前k 个数据，然后找的在这些数据中类别最多的
    classCount=zeros(10,1);
    class = [];
    for j = 1:k
        tempLabel = labels(q(j));
        class(j) = tempLabel;%没用到
        classCount(tempLabel+1) = classCount(tempLabel+1)+1;
    end
    [r,s] = max(classCount);
    maxClass = s - 1;  %返回 相似个数最多的 那个类
end

%
%将32*32的二进制图形矩阵转换为1*1024的向量
%
function retVector = img2vector(fileName)
   fileName = char(fileName);
   tempVector = [];
    % 读文件
   fileData = textread(fileName,'%s');
   fileData = char(fileData);%读取文件，并将文件转换矩阵的格式
   temp = fileData(:)';
   for i = 1 : length(temp)
       tempVector(i) = str2num(temp(i));
   end
   retVector = tempVector;
end