Wie KNN mit Matlab implementieren und die prozentuale Genauigkeit berechnen

Question

Ich bin neu mit Matlab, mein Ziel ist knn implementieren, ich habe zwei verschiedene txt-Dateien, eine enthält Testdaten (Beispiel) und die andere enthält Trainingsdaten.

Bis jetzt denke ich, ich sollte so etwas tun, aber ich bin nicht sicher, wie es geht.

load fisheriris 
x = meas(:,3:4); 
gscatter(x(:,1),x(:,2),species) 
newpoint = [5 1.45]; 
[n,d] = knnsearch(x,newpoint,'k',10); 
line(x(n,1),x(n,2),'color',[.5 .5 .5],'marker','o','linestyle','none','markersize',10) 

Oder vielleicht ist dies ein einfacher Weg, es zu tun, für mich ist das ganz klar die zwei verschiedene Arten von Daten, Proben- und Ausbildung, aber dies zeigt nicht die Genauigkeit der vorhergesagten Klasse.

A= [50, 60; 
    7,2; 
    13,12; 
    100,200;]; 
B=[1,0; 
    200,30; 
    19,10]; 
G={'First Row'; 
    'Second Row'; 
    'Third Row'}; 
class = knnclassify(A,B,G); 

disp('Result: '); 
disp(class); 

die Matrix sieht wie folgt aus:

Training data: 
148.0,50.0,0 
187.0,34.0,0 
204.0,89.0,0 
430.0,161.0,1 
427.0,22.0,1 
-42.0,469.0,1 
more,more,class.... 

Test data: 
290.0,-57.0,0 
194.0,-80.0,0 
174.0,33.0,0 
465.0,691.0,1 
270.0,-194.0,1 
-56.0,665.0,1 
more,more,class.... 

Wie kann ich diese Daten mit knn klassifizieren und die Vorhersagen für jede Zeile zeigen, damit ich die Genauigkeit Prozentsatz berechnen kann?

-------EDITED------ 

Ich habe vergessen, wenn ich die Genauigkeit für jede Klasse brauche, was soll ich tun? Hier

Answer 1

ist der aktualisierte Code knnclassify

trainData= [148.0,50.0,0; ... 
      187.0,34.0,0; ... 
      204.0,89.0,0; ... 
      430.0,161.0,1; ... 
      427.0,22.0,1; ... 
      -42.0,469.0,1 ... 
      ]; 

testData= [290.0,-57.0,0; ... 
      194.0,-80.0,0; ... 
      174.0,33.0,0; ... 
      465.0,691.0,1; ... 
      270.0,-194.0,1; ... 
      -56.0,665.0,1]; 

% Data 
Sample=testData(:,1:2); 
Training=trainData(:,1:2); 
Group=trainData(:,3); 

% Classify 
k=1; % number of nearest neighbors used in the classification 
Class = knnclassify(Sample, Training, Group,k); 

% Display Prediction 
fprintf('%.1f %.1f - Real %d , Predicted %d\n',[testData.'; Class.']); 

% Calculate percentage accuracy for each class 
trueClass=testData(:,3); 
classList=unique(trueClass); 
for classIndex=1:length(classList) 
    indexesOfEachClass=find(trueClass==classList(classIndex)); 
    percentageAccuracyEachClass(classIndex,1)=sum(Class(indexesOfEachClass)==trueClass(indexesOfEachClass))/length(indexesOfEachClass)*100; 
end 
fprintf('\nClass %d Accuracy : %f%%',[classList.'; percentageAccuracyEachClass.']); 

% Calculate overall percentage accuracy 
dataClassifiedAccurately=Class==trueClass; 
percentageAccuracy=sum(dataClassifiedAccurately)/length(dataClassifiedAccurately)*100; 
fprintf('\n\nOverall Accuracy : %f%%\n',percentageAccuracy);