【KNN分类】基于模拟退火优化KNN、蝗虫算法优化KNN实现数据分类附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。​

⛄ 内容介绍

KNN(k Nearest Neighbor)算法是1种简单、有效、非参数的文本分类法,但缺点是样本相似度的计算量大,故不适用于有大量高维样本的文本。一方面,本文分析了KNN算法的优点和缺陷,采用了1种应用特征词提取和特征词聚合的方法来改进KNN算法在特征词提取方面的不足。另一方面,本文又深入研究了模拟退火算法思想,采用退火模拟思想的典型优化组方法和模拟退火算法原理来加快KNN算法的分类速度。最后,通过2种方法的加入改进了KNN分类算法。实验结果表明,本文提出的方法大大提高了分类算法的效率和性能。

⛄ 部分代码

load lymphography

%%

% preprocess data to remove Nan entries

for ii=1:size(Tdata,2)

    nanindex=isnan(Tdata(:,ii));

    Tdata(nanindex,:)=[];

end

labels=Tdata(:,end);                  %classes

attributesData=Tdata(:,1:end-1);      %wine data

% for ii=1:size(attributesData,2)       %normalize the data

%     attributesData(:,ii)=normalize(attributesData(:,ii));

% end

[rows,colms]=size(attributesData);  %size of data    

%% seprate the data into training and testing

[trainIdx,~,testIdx]=dividerand(rows,0.8,0,0.2);

trainData=attributesData(trainIdx,:);   %training data

testData=attributesData(testIdx,:);     %testing data

trainlabel=labels(trainIdx);            %training labels

testlabel=labels(testIdx);              %testing labels

%% KNN classification

Mdl = fitcknn(trainData,trainlabel,'NumNeighbors',5,'Standardize',1);

predictedLables_KNN=predict(Mdl,testData);

cp=classperf(testlabel,predictedLables_KNN);

err=cp.ErrorRate;

accuracy=cp.CorrectRate;

%% SA optimisation for feature selection

dim=size(attributesData,2);

lb=0;ub=1;

x0=round(rand(1,dim));

fun=@(x) objfun(x,trainData,testData,trainlabel,testlabel,dim);

options = optimoptions(@simulannealbnd,'MaxIterations',150,...

            'PlotFcn','saplotbestf');

[x,fval,exitflag,output]  = simulannealbnd(fun,x0,zeros(1,dim),ones(1,dim),options) ;

Target_pos_SA=round(x);

% final evaluation for GOA tuned selected features

[error_SA,accuracy_SA,predictedLables_SA]=finalEval(Target_pos_SA,trainData,testData,...

                                                                   trainlabel,testlabel);

⛄ 运行结果

⛄ 参考文献

​[1]邓箴, 包宏. 用模拟退火改进的KNN分类算法[J]. 计算机与应用化学, 2010(3):5.2019), In press.

⛄ Matlab代码关注

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料