WKNN分类

说明和使用方法

1. trainData：包含特征和标签的训练数据集，标签应位于最后一列。
2. testData：要分类的测试数据集，只包含特征。
3. kValues：数组，指定每个WKNN模型使用的k值。
4. featuresSets：一个单元数组，每个元素包含一个整数数组，指定每个模型使用的特征索引。
5. （新手，代码仅供参考）

function label = multipleWKNN(trainData, testData, kValues, featuresSets)
    % trainData: 训练数据，其中包含特征和标签
    % testData: 测试数据特征
    % kValues: 每个模型使用的k值数组
    % featuresSets: 使用的特征子集索引数组

    numModels = length(kValues);
    numTests = size(testData, 1);
    votes = zeros(numTests, max(trainData(:, end))); % 假设标签是1到max的整数
    
    % 对每个模型进行循环
    for m = 1:numModels
        k = kValues(m);
        features = featuresSets{m};
        
        % 调用WKNN函数获取结果
        modelLabels = WKNN(trainData(:, [features end]), testData(:, features), k);
        
        % 累计投票
        for i = 1:numTests
            votes(i, modelLabels(i)) = votes(i, modelLabels(i)) + 1;
        end
    end
    
    % 确定最终标签
    [~, label] = max(votes, [], 2);
end

function label = WKNN(trainData, testData, k)
    % 一个简单的加权KNN实现
    trainFeatures = trainData(:, 1:end-1);
    trainLabels = trainData(:, end);
    numTests = size(testData, 1);
    label = zeros(numTests, 1);
    
    for i = 1:numTests
        distances = sqrt(sum((trainFeatures - testData(i, :)).^2, 2));
        [~, sortedIndices] = sort(distances);
        nearestNeighbors = trainLabels(sortedIndices(1:k));
        weights = 1 ./ distances(sortedIndices(1:k)); % 权重为距离的倒数
        
        % 加权投票
        weightedVotes = accumarray(nearestNeighbors, weights, [max(trainLabels) 1], [], 0);
        [~, label(i)] = max(weightedVotes);
    end
end