模式识别算法实现

1、模式识别算法实现K近邻法&最近邻法一.程序用MATLAB做的1.用Iris数据集验证的程序(1)用Iris数据集验证的M文 件：load iris.mat;A=randperm(50);B=randperm(50);C=randperm(50); a1=A(1,1:25); a2=A(1,26:50);a=Iris(a1,1:4);%随机取第一类数据的 25 组 aa=Iris(a2,1:4);b1=50*ones(1,25)+B(1,1:25); b2=50*ones(1,25)+B(1,26:50);b=Iris(b1,1:4);%随机取第二类数据的 25 组 bb=Iris(b2,1:4

2、);c1=100*ones(1,25)+C(1,1:25); c2=100*ones(1,25)+C(1,26:50);c=Iris(c1,1:4);%随机取第三类数据的 25 组 cc=Iris(c2,1:4);train_sample=cat(1,a,b,c);% 拼接成包含 75 组数据的样本 集 test_sample=cat(1,aa,bb,cc); k=7;%7 近邻法 cha=zeros(1,75); sum1=0;sum2=0;sum3=0; sum=0;i,j=size(train_sample);%i=75,j=4 u,v=size(test_sample);%u=75,v

3、=4 for x=1:ufor y=1:i result=sqrt(test_sample(x,1)-train_sample(y,1)A2+(test_sample(x,2)-train_sample(y,2)A2+(test_ sample(x,3)-train_sample(y,3)A2+(test_sample(x,4)-train_sample(y,4)A2);cha(1,y)=result;end;z,Ind=sort(cha);%Ind 用来存储排序前在 cha 中的下 标 m1=0; m2=0; m3=0; for n=1:k if Ind(1,n)25&Ind(1,n)=m2

4、&m1=m3m=1;elseif m2=m1&m2=m3m=2;elseif m3=m1&m3=m2m=3; endif (x25&x50&x=75&m=3) sum3=sum3+1; end if (x25&x50&x=75&m=3) sum=sum+1; end enddisp(sprintf(第一类分类正确率为 4.2f,sum1/25); disp(sprintf(第二类分类正确率 %4.2f,sum2/25); disp(sprintf (第三类分类正确率为 4.2f,sum3/25); disp(sprintf(总分类正 确率为4.2f,sum/75); (2)验证结果：a) K近

5、邻法：K=7实验结果类别第_类第二类第三类总识别率11.000.9S1.000.9921.000.920.960.9631.000.840.960.9341.000.920.920.9551.000.880.960.9561,000.961.000.9971.000.960.960.9781.000.960.920.9691.000.961.000.99101.000.920.880.93总识别41.00,让好朋她者到X0.920.960.96次数第一类第二类第三类总识别率11.000.880.960.9521.000.960.800.9231.000.960.920.9641.000.920

6、.880.9351.000.960.9S0.9561.000.960.960.9771.000.960.800.9281.001.001.001.0091,000.880.960.95101.000.960.920.96总识别率1.000.940.920.95(3)数据分析第一个表格是用K(k=7)近邻法得到的识别率，第二个表格是用最近邻法得到的识别 率，可以看出对于Iris数据，两种方法的识别率都达到了 95%左右。2.用Wine数据集验证的程序(1)用Wine数据集验证的M文件：load wine.mat;A=randperm(59);B=randperm(71);C=randperm(4

7、8); a1=A(1,1:30); a2=A(1,31:59); a=win e(a1,1:14); aa=wine(a2,1:14);b1=59*ones(1,36)+B(1,1:36); b2=59*ones(1,35)+B(1,37:71); b=wine(b1,1:14); bb=wine( b2,1:14);c1=130*ones(1,24)+C(1,1:24); c2=130*ones(1,24)+C(1,25:48); c=wine(c1,1:14); cc=wine (c2,1:14);train_sample=cat(1,a,b,c);%拼接成样本集 test_sample=

8、cat(1,aa,bb,cc); k=7;%7 近邻 法 cha=zeros(1,90);sum1=0;sum2=0;sum3=0;sum4=0; sum=0;i,j=size(train_sample); u,v=size(test_sample); for x=1:ufor y=1:iresult=sqrt(test_sample(x,2)-train_sample(y,2)A2+(test_sample(x,3)-train_sample(y,3)A2+(test_sample(x,4)-train_sample(y,4)A2+(test_sample(x,5)-train_sample

9、(y,5)A2+(test_sa mple(x,6)-train_sample(y,6)A2+(test_sample(x,7)-train_sample(y,7)A2+(test_sample(x,8)-tra in_sample(y,8)A2+(test_sample(x,9)-train_sample(y,9)A2+(test_sample(x,10)-train_sample(y ,10)A2+(test_sample(x,11)-train_sample(y,11)A2+(test_sample(x,12)-train_sample(y,12)A2 +(test_sample(x,1

10、3)-train_sample(y,13)A2+(test_sample(x,14)-train_sample(y,14)A2); ch a(1,y)=result; end;z,Ind=sort(cha);%Ind 用来存储排序前在 cha 中的下 标 m1=0; m2=0; m3=0; for n=1:k if Ind(1,n)30&Ind(1,n)=m2&m1=m3m=1;elseif m2=m1&m2=m3m=2;elseif m3=m1&m3=m2m=3; endif (x29&x64&x=88&m=3) sum3=sum3+1; end if (x29&x64&x=88&m=3)

11、sum=sum+1; en d enddisp(sprintf(第一类分类正确率为 %4.2f,sum1/30); disp(sprintf(第二类分类正确率 为4.2f,sum2/36); disp(sprintf(第三类分类正确率为 4.2f,sum3/24); disp(sprintf(总分 类正确率为4.2f,sum/90);(2)验证结果： a).K近邻法：K=7实验结果、.一、类别 次第一类第二类第三类总识别率10.900.690 380.6820.970.690420.7130.900.670.500.7040.770.560.670.6550.870.610.460.5660.

12、700.440.670.5970.970.720.540.7680.800.670.540.6390.930.580.580.70100.870.500.790.70总识别予0.87D.610.560.68b).最近邻法(即令K=1)实验结果第一类第二类第三类总识别率10.770.750.6720.800.670.630.7030.830.670.630.7140.770.640.630.5850.880.640.5S0.6360.830.690.500.6970.800.640,580,58S0.800.780.540.7290,270.640.670.72100.700.670/420.51总识别率0.810.680390.69(3)数据分析这两个是对Wine数据的识别率，第一个表格是用K(k=7)近邻法得到的识别率，第二个