k-nearest-neighbor (fitcknn oder knnclassify)

Question

Ich habe 3 Datenfelder (Klassen) in verschiedenen Größen:

d1=[-3.34,0.11,1.07,0.82,-0.51,-1.24,4.0,1.15,1.29,-3.38,-1.12,1.35,-0.14,1.21,-2.11,0.48,2.16,0.91,-0.78,1.13,1.32]; 
d2=[3.27,4.57,4.12,4.99,4.40,4.08,5.96,3.37,4.0,3.56,4.81,3.02,3.01,2.62,3.77,7.01,2.84,2.79,4.41,2.08,6.66,6.65,4.65,5.78,5.81,5.65,3.73,4.31,4.84,3.70,4.73,2.98,3.95,3.58]; 
d3=[3.66,6.16,10.07,7.17,8.17,7.33,6.24,7.02,6.52,7.27,7.86,9.27,11.58,5.12,10.12,9.07,11.57,9.12,9.88,6.71,8.18,9.29,6.56,10.40,7.39,8.30,10.87,11.79,8.77,11.08,8.66,7.78,10.00,6.14,8.74]; 

Und ich brauche testValues ​​[-2,0,2,4,6,8,10] auf k=1 und k=3 zu klassifizieren.

Ich versuche es mit fitcknn zu tun. Aber mit fitcknn, bin ich mir nicht sicher über die richtige Art und Weise Argumente zu setzen, um k1Model und k3Model zu bauen.

;; Ich habe überprüft und herausgefunden, dass "knnclassify" hier nicht geeignet ist, da es Matrizen benötigt.

Answer 1

dass d1, d2 und d3 Unter der Annahme gibt drei Klassen:

% data values 
d1=[-3.34,0.11,1.07,0.82,-0.51,-1.24,4.0,1.15,1.29,-3.38,-1.12,1.35,-0.14,1.21,-2.11,0.48,2.16,0.91,-0.78,1.13,1.32]; 
d2=[3.27,4.57,4.12,4.99,4.40,4.08,5.96,3.37,4.0,3.56,4.81,3.02,3.01,2.62,3.77,7.01,2.84,2.79,4.41,2.08,6.66,6.65,4.65,5.78,5.81,5.65,3.73,4.31,4.84,3.70,4.73,2.98,3.95,3.58]; 
d3=[3.66,6.16,10.07,7.17,8.17,7.33,6.24,7.02,6.52,7.27,7.86,9.27,11.58,5.12,10.12,9.07,11.57,9.12,9.88,6.71,8.18,9.29,6.56,10.40,7.39,8.30,10.87,11.79,8.77,11.08,8.66,7.78,10.00,6.14,8.74]; 

% re-arrange data to a format as expected by fitcknn 
% your predictors 
X = vertcat(d1', d2', d3'); 
% your labels 
Y = vertcat(repmat({'d1'}, length(d1), 1), repmat({'d2'}, length(d2), 1), repmat({'d3'}, length(d3), 1)); 

% fit a model with k (the number of neighbors) equal to 1: 
k1Model = fitcknn(X,Y,'NumNeighbors',1,'Standardize',1); 
% alternatively with k (the number of neighbors) equal to 3: 
k3Model = fitcknn(X,Y,'NumNeighbors',3,'Standardize',1); 

% get predictions on the test points by passing the trained model and your test values to 
% the 'predict' function 

testValues = [-2,0,2,4,6,8,10]'; 

k1Predictions = predict(k1Model, testValues); 
k3Predictions = predict(k3Model, testValues);