我在Matlab方面完全是个初学者，正在尝试编写一些机器学习算法。如果有人能帮助我调试这段代码，我将不胜感激。
function y = KNNpredict(trX,trY,K,X) % trX是NxD，trY是Nx1，K是1x1，X是1xD % 我们返回一个单一值'y'，它是预测的类别% TODO: 编写这个函数% int[] distance = new int[N];distances = zeroes(N, 1);examples = zeroes(K, D+2);i = 0;% for(every row in trX) { // 取一个例子for row=1:N, examples(row,:) = trX(row,:); %sum = 0.0; %for(every col in this example) { // 取这个例子的每个特征 for col=1:D, % diff = 计算这些点之间的平方差 - (trX[row][col]-X[col])^2 diff =(trX(row,col)-X(col))^2; sum += diff; end % for distances(row) = sqrt(sum); examples(i:D+1) = distances(row); examples(i:D+2) = trY(row:1);end % for% 根据计算出的距离对例子进行排序sortrows(examples, D+1);% for(int i = 0; i < K; K++) {% 这些是最接近的邻居pos = 0;neg = 0;res = 0;for row=1:K, if(examples(row,D+2 == -1)) neg = neg + 1; else pos = pos + 1; %disp(distances(row)); endend % forif(pos > neg) y = 1; return;else y = -1; return;endendend非常感谢
回答：
在Matlab中处理矩阵时，通常最好避免过多的循环，而是尽可能使用向量化操作。这通常会产生更快、更简洁的代码。
在你的情况下，k-最近邻算法足够简单，并且可以很好地向量化。考虑以下实现：
function y = KNNpredict(trX, trY, K, x) %# 实例x与每个训练实例之间的欧几里得距离 dist = sqrt( sum( bsxfun(@minus, trX, x).^2 , 2) ); %# 从小到大排序距离的索引 [~,ord] = sort(dist, 'ascend'); %# 获取K个最近邻居的标签 kTrY = trY( ord(1:min(K,end)) ); %# 多数类投票 y = mode(kTrY);end这里有一个使用Fisher-Iris数据集测试的例子：
%# 加载数据集（数据 + 标签）load fisheririsX = meas;Y = grp2idx(species);%# 将数据划分为训练/测试集c = cvpartition(Y, 'holdout',1/3);trX = X(c.training,:);trY = Y(c.training);tsX = X(c.test,:);tsY = Y(c.test);%# 预测K = 10;pred = zeros(c.TestSize,1);for i=1:c.TestSize pred(i) = KNNpredict(trX, trY, K, tsX(i,:));end%# 验证C = confusionmat(tsY, pred)KNN预测的混淆矩阵，K=10时：
C = 17 0 0 0 16 0 0 1 16