MATLAB中如何使用KNN对数据进行分类？

Question

我在理解 K-NN 分类如何在 MATLAB 中工作时遇到问题。' 这是问题所在，我有一个大型数据集（超过 1500 个主题的 65 个特征）及其各自类的标签（0 或 1）。 根据向我解释的内容，我必须将数据划分为训练、测试和验证子集，以对数据进行监督训练，并通过 K-NN 对其进行分类。 首先，划分 3 个子组的最佳比例是多少（每个子组大小的 1/3？）。

我研究了 ClassificationKNN/fitcknn 函数，以及 crossval 函数（理想情况下用于划分数据），但我真的不知道如何使用它们。

总而言之，我想 - 将数据分为 3 组 - 用训练子集“训练”KNN（我知道这不是一种需要训练的方法，而是相当于训练） - 对测试子集进行分类并获得它的分类错误/性能 - 进行验证测试有什么意义？

希望你能帮帮我，提前谢谢

编辑：我想我能做到，但是，如果这不是要求太多，你能看看我是否错过了什么吗？这是我的代码，用于随机情况：

nfeats=60;ninds=1000;
trainRatio=0.8;valRatio=.1;testRatio=.1;
kmax=100; %for instance...
data=randi(100,nfeats,ninds);
class=randi(2,1,ninds);
[trainInd,valInd,testInd] = dividerand(1000,trainRatio,valRatio,testRatio);
train=data(:,trainInd);
test=data(:,testInd);
val=data(:,valInd);
train_class=class(:,trainInd);
test_class=class(:,testInd);
val_class=class(:,valInd);
precisionmax=0;
koptimal=0;
for know=1:kmax
      %is it the same thing use knnclassify or fitcknn+predict??
      predicted_class = knnclassify(val', train', train_class',know);
      mdl = fitcknn(train',train_class','NumNeighbors',know) ;
      label = predict(mdl,val');
      consistency=sum(label==val_class')/length(val_class);
      if consistency>precisionmax
          precisionmax=consistency;
          koptimal=know;
      end
  end
mdl_final = fitcknn(train',train_class','NumNeighbors',know) ;
label_final = predict(mdl,test');
consistency_final=sum(label==test_class')/length(test_class);

非常感谢您的帮助

Answer 1

对于您的第一个问题 “划分 3 个子组的最佳比例是多少”只有经验法则：

1. 训练数据量是最重要的。越多越好。 因此，使其尽可能大，并且绝对大于测试或验证数据。

2. 测试和验证数据具有相似的功能，因此可以方便地为它们分配相同的数量 数据的。但重要的是要有足够的数据来识别过度适应。所以他们 应该完全随机地从数据基础中挑选出来。

因此，50/25/25 或 60/20/20 分区很常见。但是，如果您的数据总量与您选择的拓扑的权重总数相比很小（例如，您的网络中有 10 个权重，数据中只有 200 个案例），那么 70/15/15 甚至 80/10/10可能是更好的选择。

关于您的第二个问题 “进行验证测试有什么意义？”：

通常，您在训练数据上训练所选模型，然后通过将训练模型应用于未见数据（验证集）来估计“成功”。

如果您现在完全停止提高准确性的努力，那么您确实不需要数据的三个分区。但通常，你觉得你可以通过例如提高你的模型的成功率。改变权重或隐藏层的数量或......现在开始运行一个大循环并进行多次迭代：

1) 更改权重和拓扑，2) 训练，3) 验证，不满意，转到 1)

这个循环的长期影响是，您越来越多地使模型适应验证数据，因此结果变得更好不是因为您如此聪明地改进了拓扑，而是因为您无意识地学习了验证集的属性以及如何对付他们。

现在，您的神经网络的最终且唯一有效的准确度是根据真正看不见的数据估算的：测试集。这仅进行一次，并且对于揭示过度适应也很有用。现在不允许你开始第二个更大的循环来禁止对测试集的任何适应！