Algorithm 仅使用knnsearch（MATLAB）使用knn分类的简单方法？

我有一个向量x，有两列（第1列是功能1，第2列是功能2），每行代表一个数据点。我还有另一个向量，我们称之为c，它包含每个数据点（1或2）的类标签，只有2个类。是否有一种仅使用knnsearch构建K-NN分类器的简单方法？我已经试了差不多整整两天了，但都没法用。我知道数据中的哪些点是训练集、验证集和测试集。然后，我应该看看被错误分类的点数，看看随着k的增加这是如何变化的。有人有什么建议吗？在这一点上，我愿意接受任何我能得到的东西。甚至只是一个大概的轮廓

如果您添加了代码并指定了代码的哪一部分不起作用，会更好。关于knnsearch如何工作的一般建议

K = 1 % constant. 'K'th nearest neighbor
x = rand(10, 2) % 10 data with length 2 feature
c = rand(2, 2) % class data point, 2 classes with length 2 feature
outputClass = knnsearch(c, x, 'K', K) % knn-classifies x in c class points

输出每个点x的类

outputClass =

     2
     2
     1
     2
     2
     2
     1
     2
     2
     1

也就是说，对于x中的每个点，它返回c中欧氏距离最近点的索引

如果要查看其中有多少错误分类，可以使用

sum(outputClass ~= expectedClass)

---

然而，如果你只有两个类，增加K将毫无意义。KNN返回接近数据点的K个类。如果只有2个类，K=2的KNN将具有与K=1的KNN完全相同的信息量。通常，您使用KNN分类将一个点分类到多个类中，以找到k个最接近的类。

我想我理解您的意思，但c不应该是您期望的类吗？或者至少我最初是这么想的。我不认为这实际上是一个分类器，对吗？如果将其用于培训数据，我可以测试验证等吗？我明白了。您希望找到标有c的训练数据的knn中心。你不能只使用knn来实现这一点。我会这样做：用kmeans训练数据（找到每个标签的中心）->用knn测试数据（搜索点靠近训练中心）你是说我应该在使用knnsearch后找到结果的平均值，然后根据点到该平均值的距离进行分类？