在Matlab下使用kNN (k近邻，k-Nearest Neighbor)分类器实现数据分类预测。

fitcknn - Matlab的kNN分类器

1 构造kNN分类器

1.1 fitcknn函数

使用fitcknn函数即可构造 (construct) kNN分类器。

输入：

• 分类集数据
• 分类集标记
• 参数表
  • 属性 key
  • 参数 value

kNNClassifier = fitcknn(TrainData', TrainLabels', 'NumNeighbors', 1)

• TrainData和TrainLabels，是我分离出的训练集数据，此处做了矩阵转置，因为MatLab的fitcknn函数接收的参数是一行一条数据，一列一个特征维度的。
  • 具体地，TrainData是一个1024×1140 double的数据集，原始数据的结构是每列一条数据，每条数据有1024个特征（feature）。
  • TrainLabels是一个1×1140 double的数据集，原始数据的结构是每列一个标记，与TrainData一一对应，实现标定。
• 实际上，fitcknn将TrainLabels识别为ClassNames，也就是说，可以输入非数值型标记，只要区分出类别即可。

输出：

• ClassificationKNN对象

1.2 运行实例

>> kNNClassifier = fitcknn(TrainData', TrainLabels', 'NumNeighbors', 1)

kNNClassifier = 

  ClassificationKNN
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: [1x38 double]
           ScoreTransform: 'none'
          NumObservations: 1140
                 Distance: 'euclidean'
             NumNeighbors: 1


  Properties, Methods
  
>>

• 此例设置NumNeighbors属性为1，即kNN的k值为1，取1近邻。

---

2 使用kNN分类器实现预测分类

2.1 predict函数

使用predict函数即可根据分类器，对输入的测试数据进行分类预测。

输入：

• 分类器 classifier
• 测试数据

cls = predict(kNNClassifier, TestData(:,1:60)')

• TestData(:,1:60)'做了转置，使得一行一条数据，示例选取60条数据
• 输出的cls是一个60条类信息的60×1维度矩阵

输出：

• 分类结果
  • 维度，数据项数×1列

2.2 运行实例

>> cls = predict(kNNClassifier, TestData(:,1:60)')

cls =

     1
     3
    34
    36
    36
     1
     1
     1
     1
     1
     1
     1
     1
     1
     1
     1
    37
     1
    30
     4
     4
     4
     4
    30
     4
     4
     4
     4
    10
    10
    10
    10
    10
    10
    36
     2
    34
    36
    36
     2
     2
     2
     2
     2
     2
     2
     2
     2
     2
     2
    33
     2
     2
     2
    33
     2
     4
    33
     4
    28

>> 

• 输出了60项数据的分类预测
  • 可以看到，预测效果尚可，有一定的预测能力。
  • 考虑到我是用了较高维度的数据（1024维），且仅做简单实验测试之用，k值限制在了1近邻，错误预测较多也在意料之中。