R语言的二分法和knn算法

真菜鸟第一次写博客，记录下自己的所学的东西，也为了日后找的东西方便，类似云盘的

二分法：讲道理，也就是f(a)

1 确定区间[a,b],验证f(a)·f(b)<0,给定精确度ξ.

2 求区间(a,b)的中点c.

3 计算f(c).

(1) 若f(c)=0,则c就是函数的零点;

(2) 若f(a)·f(c)<0,则令b=c;

(3) 若f(c)·f(b)<0,则令a=c.

(4) 判断是否达到精确度ξ:即若|a-b|<ξ,则得到零点近似值a(或b),否则重复2-4

以下是R的代码：

f<-function(x) x^3-x-1
binary<-function(f,a,b,Accuracy){
  if(f(a)*f(b)>0){
    print("NO solution")
  }else{
      while(abs(a-b)>Accuracy){
        mid<-(a+b)/2
        if(f(mid)*f(a)>0){
          a=mid
        }else if(f(mid)*f(a)==0){
          return(mid)
        }else{
          b=mid
        }
      }
      return(mid)
  }
}
binary(f,1,2,1e-6)

knn算法：分为测试元组和训练元组

流程：1.先分别算出测试元组到训练元组的距离

           2.得到的距离按递增顺序排序

           3.得出每个测试元组到训练元组最近的K个样本

           4.计算K个样本中出现的类别频率的最高的样本

           5.于测试样本的类别作比较，得出结果

trans<- iris[sample(1:nrow(iris),nrow(iris)*0.7,replace = FALSE),]
test<-iris[-sample(1:nrow(iris),nrow(iris)*0.7,replace = FALSE),]
  matrix<-NULL
knn<-function(trans,test,k){
   test_temp<-NULL
   predict_temp<-NULL
  #计算测试元祖到这K个训练元祖的距离,
  #即用test[i,]与trans的每一列对应的值相减平方
  #训练元组标号和距离存入优先级队列
  for(i in 1:nrow(test)){
    distance = apply(trans[,1:4],1,function(x)sqrt((sum(test[i,1:4]-x)^2)))
    df<-data.frame(trans$Species,distance)
    #按距离递增顺序排序
    newdf<-df[order(df$distance),]
    #选取与当前距离最小的k个点
    #确定K 个点所在类别出现的频率
     # print(newdf[1:k,1])
    test_temp<-rbind(test_temp,as.character(test[i,5]))
    predict_temp<-rbind(predict_temp,names(which.max(table(newdf[1:k,1]))))
  
  }
    matrix<-cbind( test_temp,predict_temp)
    matrix<-as.data.frame(matrix)
    names(matrix)<- c("primite","predict")
  
   # factor(matrix)
    matrix   
        count<-nrow(matrix)
        Accurany<- nrow(matrix[which(matrix$primite==matrix$predict),])/count
        Accurany
    
}
knn(trans,test,9)