C++基于特征向量的KNN分類算法怎么用

這篇文章給大家分享的是有關(guān)C++基于特征向量的KNN分類算法怎么用的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，一起跟隨小編過(guò)來(lái)看看吧。

站在用戶的角度思考問(wèn)題，與客戶深入溝通，找到沂南網(wǎng)站設(shè)計(jì)與沂南網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗(yàn)，讓設(shè)計(jì)與互聯(lián)網(wǎng)技術(shù)結(jié)合，創(chuàng)造個(gè)性化、用戶體驗(yàn)好的作品，建站類型包括：做網(wǎng)站、成都做網(wǎng)站、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣、域名注冊(cè)、虛擬主機(jī)、企業(yè)郵箱。業(yè)務(wù)覆蓋沂南地區(qū)。

K最近鄰(k-Nearest Neighbor，KNN)分類算法，是一個(gè)理論上比較成熟的方法，也是最簡(jiǎn)單的機(jī)器學(xué)習(xí)算法之一。該方法的思路是：如果一個(gè)樣本在特征空間中的k個(gè)最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。KNN算法中，所選擇的鄰居都是已經(jīng)正確分類的對(duì)象。該方法在定類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來(lái)決定待分樣本所屬的類別。 KNN方法雖然從原理上也依賴于極限定理，但在類別決策時(shí)，只與極少量的相鄰樣本有關(guān)。由于KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來(lái)確定所屬類別的，因此對(duì)于類域的交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其他方法更為適合。

#include "stdafx.h"
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
 
using namespace std;
 
//樣本特征結(jié)構(gòu)體
struct sample
{
 string type;
 vector features;
};
 
//讀取訓(xùn)練樣本train.txt，訓(xùn)練樣本格式：類型名+特征向量
void readTrain(vector& train, const string& file)
{
 ifstream fin(file.c_str()); //file是存儲(chǔ)希望讀寫的文件名的string對(duì)象，fin是讀的流
 if(!fin)
 {
 cerr<<"Unable to open the input file: "<>ts.type;
 while(stream>>d) //read a word from line
 {
  ts.features.push_back(d); //在trains.features的末尾添加一個(gè)值為d的元素
 }
 train.push_back(ts); //在train的末尾添加一個(gè)值為ts的元素
 }
 fin.close();
}
 
//讀取測(cè)試樣本test.txt，每行都是一個(gè)特征向量
void readTest(vector& test, const string& file)
{
 ifstream fin(file.c_str());
 if(!fin)
 {
 cerr<<"Unable to open the input file: "<>d)
 {
  ts.features.push_back(d);
 }
 test.push_back(ts);
 }
 fin.close();
}
 
//輸出結(jié)果，為每一個(gè)向量賦予一個(gè)類型，寫入result.txt中
void writeResult(const vector& test, const string& file)
{
 ofstream fout(file.c_str());
 if(!fout)
 {
 cerr<<"Unable to write the input file: "<::size_type i=0;i!=test.size();++i)
 {
 fout << test[i].type << '\t';
 for(vector::size_type j=0;j!=test[j].features.size();++j)
 {
  fout<& test, const vector& train, const vector >& dm, unsigned int k)
{
 for (vector::size_type i = 0; i != test.size(); ++i)
 {
 multimap dts; //保存與測(cè)試樣本i距離最近的k個(gè)點(diǎn)
 
 for (vector::size_type j = 0; j != dm[i].size(); ++j)
 {
  if (dts.size() < k) //把前面k個(gè)插入dts中
  {
  dts.insert(make_pair(dm[i][j], train[j].type)); //插入時(shí)會(huì)自動(dòng)排序，按dts中的double排序，最小的排在最后
  }
  else
  {
  multimap::iterator it = dts.end();
  --it;
 
  if (dm[i][j] < it->first) //把當(dāng)前測(cè)試樣本i到當(dāng)前訓(xùn)練樣本之間的歐氏距離與dts中最小距離比較，若更小就更新dts
  {
   dts.erase(it);
   dts.insert(make_pair(dm[i][j], train[j].type));
  }
  }
 }
 map tds;
 string type = "";
 double weight = 0.0;
 //下面for循環(huán)主要是求出與測(cè)試樣本i最鄰近的k個(gè)樣本點(diǎn)中大多數(shù)屬于的類別，即將其作為測(cè)試樣本點(diǎn)i的類別
 for (multimap::const_iterator cit = dts.begin(); cit != dts.end(); ++cit)
 {
  // 不考慮權(quán)重的情況，在 k 個(gè)樣例中只要出現(xiàn)就加 1
  // ++tds[cit->second];
 
  // 這里是考慮距離與權(quán)重的關(guān)系，距離越大權(quán)重越小
  tds[cit->second] += 1.0 / cit->first;
  if (tds[cit->second] > weight)
  {
  weight = tds[cit->second];
  type = cit->second; //保存一下類別
  }
 }
 test[i].type = type;
 }
}
 
// 計(jì)算歐氏距離
double euclideanDistance(const vector& v1, const vector& v2)
{
 if(v1.size() != v2.size())
 {
 cerr<<"Unable to get a distance! "<::size_type i = 0; i != v1.size(); ++i)
 {
  distance += (v1[i] - v2[i]) * (v1[i] - v2[i]);
 }
 return sqrt(distance);
 }
}
 
/*初始化距離矩陣，該矩陣是根據(jù)訓(xùn)練樣本和測(cè)試樣本而得，
矩陣的行數(shù)為測(cè)試樣本的數(shù)目，列數(shù)為訓(xùn)練樣本的數(shù)目，
每一行為一個(gè)測(cè)試樣本到各個(gè)訓(xùn)練樣本之間的歐式距離組成的數(shù)組*/
void initDistanceMatrix(vector >& dm, const vector& train, const vector& test)
{
 for (vector::size_type i = 0; i != test.size(); ++i)
 {
 vector vd;
 for (vector::size_type j = 0; j != train.size(); ++j)
 {
  vd.push_back(euclideanDistance(test[i].features, train[j].features));
 }
 dm.push_back(vd);
 }
}
 
//封裝
void xfxKnn(const string& file1, const string& file2, const string& file3, int k)
{
 vector train,test;
 readTrain(train, file1.c_str());
 readTest(test, file2.c_str());
 vector< vector > dm;
 initDistanceMatrix(dm, train, test);
 knnProcess(test, train, dm, k);
 writeResult(test, file3.c_str());
}
 
// 測(cè)試
int main()
{
 xfxKnn("train.txt", "test.txt", "result.txt", 5);
 return 0;
}

感謝各位的閱讀！關(guān)于“C++基于特征向量的KNN分類算法怎么用”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！

名稱欄目：C++基于特征向量的KNN分類算法怎么用
網(wǎng)頁(yè)地址：http://weahome.cn/article/gchogo.html

真实的国产乱ⅩXXX66竹夫人,五月香六月婷婷激情综合,亚洲日本VA一区二区三区,亚洲精品一区二区三区麻豆

C++基于特征向量的KNN分類算法怎么用

其他資訊

網(wǎng)站制作

企業(yè)服務(wù)

網(wǎng)站建設(shè)

服務(wù)器托管