我对matlab完全是新手，这是我的第一个项目。Mnist数据集有60000张从0到9的图片用于训练，1000张图片用于测试。我尝试通过计算均值为这10个类别（0到9）创建模式，然后使用欧几里得距离进行识别。这个方法非常简单，但准确率非常低。我不知道问题出在哪里，导致准确率如此低。准确率：1.73%
这是我用于寻找10个类别模式的代码：
root = 'F:\matlab\ex1\exercise-EquivaliencOfL2DistanceAndDotProduct\dataset';fn = strcat (root, '\MnistTrainX.mat');load (fn);fn = strcat (root, '\MnistTrainY.mat');load (fn);weights = zeros (10, 784);b = zeros (10, 1);im=reshape(MnistTrainX(5,:),[28 ,28]);imshow(im,[]);imshow(im',[]);for c=1 : 10 idx=find(MnistTrainY == c-1); weights (c,:)=mean( MnistTrainX(idx,:));endtrainAccuray = ComputeInnerProductAccuracy(weights,b, MnistTrainX,MnistTrainY);display(trainAccuray);fn = strcat (root, '\MnistTestX.mat');load (fn);fn = strcat (root, '\MnistTestY.mat');load (fn);testAccuray = ComputeInnerProductAccuracy(weights, b, MnistTestX, MnistTestY);display(testAccuray);这是准确率计算函数：
function [acc]=ComputeInnerProductAccuracy(weights, b, X, Y)n = size(X, 1);minmat = zeros (60000, 2);endmat = zeros (60000, 10);m = size(X);a=0;for i=1 : n for j=1 : 10 endmat(i,j)=sum((X(i,:)-(weights(j,:))).^2,2); end [minmat(i,1) ,minmat(i,2)]= min(endmat(i,:)); if minmat(i,2)== Y(i) a=a+1; endendacc=(a*100)/60000;end回答：
你的代码基本上是正确的，尽管效率很低。我不会花时间去提高它的效率，因为有许多地方需要改进。相反，我将专注于代码中的问题。代码有两个问题。首先是当你查找哪个数字的距离最小时：
[minmat(i,1) ,minmat(i,2)]= min(endmat(i,:));请注意，min函数的第二个输出产生的是最小值的位置，从索引1开始。Y中的类别值应包含0到9，但你的min函数的输出索引是从1到10。输出最小值的索引和对应的类别值之间相差1，这可能是你准确率如此低的原因。
因此，你需要在检查最小标签是否确实是真实标签之前，从minmat(i, 2)中减去1…或者你可以简单地在检查时将Y(i)加1：
[minmat(i,1) ,minmat(i,2)]= min(endmat(i,:));if minmat(i,2)== Y(i)+1 % 更改 a=a+1;end第二个错误是“内积”函数（实际上你在计算欧几里得距离….但我们先不讨论这个问题）假设总是有60000个输入，但你的测试集没有这么多输入。这在训练数据上运行良好，但会报告错误的测试数据准确率。确保将函数中的所有60000实例更改为n。你已经在代码中创建了这个变量，它决定了有多少输入。
