数据结构与算法Bonus-KNN问题的代码求解过程

一、问题提出

（一）要求

1.随机生成>=10万个三维点的点云，并以适当方式存储

2.自行实现一个KNN算法，对任意Query点，返回最邻近的K个点

3.不允许使用第三方库(e.g.flann，PCL,opencv)!

4.语言任选(推荐C++或者Python)

（二）规则

1.正确实现(3')

2.优于Flann、PCL在相同输入下的KNN求解函数中的一种(2')

3.优于Flann、PCL在相同输入下的KNN求解函数中的两种(2')

4.创新性评估(3')

二、KNN算法概述

KNN（K-Nearest Neighbor）算法，也称为K最邻近法，是一种基本的机器学习算法，属于有监督学习中的分类算法。该算法最初由Cover和Hart于1968年提出，具有简单直观的特点。

KNN算法的思路是：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。这里的K通常是一个用户指定的整数，通常选取奇数以避免出现平局的情况。

KNN算法的距离度量通常是欧氏距离，但也可以使用其他距离度量方法。在选择K值时，较小的K值可能会使算法对噪声更加敏感，而较大的K值可能会使算法分类边界变得模糊。因此，选择合适的K值对于KNN算法的性能至关重要。

三、算法描述

（一）语言选择

所选语言为MATLAB，软件版本为MATLAB R2022a

（二）算法原理

K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。（这就类似于现实生活中少数服从多数的思想），也就是在训练数据集中寻找与待预测样本A距离最近的K个样本，如果K个样本中大多数属于类别甲，少数属于类别乙，那个就可以认为样本A属于类别甲。

（三）距离度量

一般计算样本在多维空间的距离有两种方式：欧式距离和曼哈顿距离。

在实际KNN问题应用中，距离函数的选择应该根据数据的特性和分析的需要而定，选择欧式距离表示。

（四）算法流程

1.设置样本点数量，此处定义N为样本点数目的一半。

2.设置矩阵label1、label2存储样本点所属类别，label1为第一类，label2位第二类。

3.生成随机数矩阵data1、data2。为了使样本点更具分散性，此处选择直接使用rand函数，而不是正态随机数randn和mvnrnd函数。

4.利用三维绘图函数scatter3绘制两类样本点，如下图所示（此处使用N=100举例，增加可视性）：

其中，红色代表第一类样本点，蓝色代表第二类样本点。

设置K值为11（K必为奇数），即周围11个样本点。
遍历从（3,3,3）至（7,7,7）范围内的125个点，间隔为1个单位。

7.计算待预测样本与训练数据集中样本特征之间的欧式距离dis。

8.按照距离递增的顺序，使用sort函数排序，返回排序后的矩阵B及其索引值矩阵index。

9.选取距离最近的K个样本以及所属类别的次数，输出最近的K个样本坐标（见附件：最邻近K点输出结果.xlsx）。

10.分别用变量c1、c2存储出现的类别次数，返回前k个点所出现频率最高的类别作为预测分类结果。

11.数据可视化处理，如下图所示（N为100时）：

当n=50000时（即分析10万个样本点时），图像如下图所示：

四、代码实现

% KNN算法
clear all;
clc;
%总体样本点数量为2N
N=50000;
% 每一个数据有两个特征
label1 = ones(N,1);%第一类点云序号，记为1
label2 = 1+ones(N,1);%第二类点云序号，记为2
%生成第一类数据
data1 =  10*rand(N,3);%坐标范围为[0,10]
data1(data1<0)=0;
%生成第二类数据
data2 =  10*rand(N,3);
data2(data1<0)=0;
scatter3(data1(:,1),data1(:,2),data1(:,3),'ro')%红色圆圈代表第一类数据
hold on;
scatter3(data2(:,1),data2(:,2),data2(:,3),'b^')%蓝色三角代表第二类数据
hold on;
data = [data1;data2];%两类数据整合，放在一个矩阵里
label = [label1;label2];%两类数据类别序号整合，也放在一个矩阵里
K= 11;%K值为11，表示周围最近的11个点。K为奇数
for i1 = 3:7for i2 = 3:7for i3=3:7testdata = [i1 i2 i3];distance=zeros(2*N,1);dis = sum((data-testdata).^2,2);%返回包含每一行总和的列向量[B index]= sort(dis);%返回索引值indexfor j=1:Kdisp("与点("+num2str(i1)+","+num2str(i2)+","+num2str(i3)+")相邻的第"+num2str(j)+"个点的坐标为：("+num2str(data(index(j,1),1))+","+num2str(data(index(j,1),2))+","+num2str(data(index(j,1),3))+")");enddisp(' ');%换行newLabel = label(index(1:K));c1 = 0;c2 = 0;for ii = 1:Kif newLabel(ii)==1c1 = c1+1;%第一类的点数量加一elsec2 = c2+1;%第二类的点数量加一endendif c1>c2%第一类的数量的点更多scatter3(testdata(1),testdata(2),testdata(3),50,'ro','filled')else%第二类的数量的点更多scatter3(testdata(1),testdata(2),testdata(3),50,'bo','filled')endendend
end
legend('第一类','第二类')