R knn.cv k 最近邻交叉验证分类

说明

k-nearest 邻居cross-validatory 来自训练集的分类。

用法

knn.cv(train, cl, k = 1, l = 0, prob = FALSE, use.all = TRUE)

参数

train	训练集案例的矩阵或 DataFrame 。
cl	训练集真实分类因子
k	考虑的邻居数量。
l	明确决定的最低投票数，否则 doubt 。 (更准确地说，即使 k 因平局而增加，也允许少于 k-l 的反对票。)
prob	如果这是真的，获胜类的得票比例将作为属性 prob 返回。
use.all	控制关系的处理。如果为 true，则包含等于 k 最大的所有距离。如果为 false，则随机选择等于 k th 的距离来精确使用 k 邻居。

细节

这使用留一法交叉验证。对于训练集 train 的每一行，找到最接近(欧几里德距离)的 k 其他训练集向量，并通过多数票决定分类，并随机打破平局。如果第 k 最接近的向量存在平局，则所有候选人都将包含在投票中。

值

训练集的分类因子。 doubt 将返回为 NA 。

例子

train <- rbind(iris3[,,1], iris3[,,2], iris3[,,3])
cl <- factor(c(rep("s",50), rep("c",50), rep("v",50)))
knn.cv(train, cl, k = 3, prob = TRUE)
attributes(.Last.value)

参考

Ripley, B. D. (1996) Pattern Recognition and Neural Networks. Cambridge.

Venables, W. N. and Ripley, B. D. (2002) Modern Applied Statistics with S. Fourth edition. Springer.

也可以看看

knn