之前的兩種演算法（CFSFDP與LSH）實現完後，這次我們來實現一個比較簡單的演算法——KNN演算法（K-Nearest Neighbor）KNN演算法又被稱作k近鄰分類演算法(k-nearest neigbhor classification)演算法，可以說是最簡單基礎的分類演算法了，需要計算的步驟也較少，固化的方式令此演算法只需要記住所有的訓練資料，對於新資料，套用舊資料集進行匹配，如果存在相同屬性的訓練資料，則直接用它來分類，這種方式有一個明顯的缺點，那就是很可能無法找到完全匹配的訓練記錄。我記得大資料分析的某教材書上稱：“KNN演算法本身簡單有效，它是一種lazy-learning（懶人學習）演算法，分類器不需要使用訓練集進行訓練，訓練時間複雜度為0。KNN分類的計算複雜度和訓練集中的數目成正比，也就是說，如果訓練集記錄總數為n，那麼KNN的分類時間複雜度為O(n)。”其中，不需要使用訓練集說的有些歧義，應該是需要的，但僅僅只需要少量的，一次性的訓練集而已。

演算法步驟為1、初始化距離為最大值 2、計算未知樣本和每個訓練樣本的距離dist 3、得到目前K個最臨近樣本中的最大距離maxdist 4、如果dist小於maxdist，則將該訓練樣本作為K-最近鄰樣本 5、重複步驟2、3、4，直到未知樣本和所有訓練樣本的距離都算完 6、統計K個最近鄰樣本中每個類別出現的次數 7、選擇出現頻率最大的類別作為未知樣本的類別 （其實吧，這些都木有用啊，背下來也不知說的是啥）好吧-----------這是一條可愛而溫柔的分割線------------老樣子，用通俗易懂的語言結合實際來解釋QWQ首先，有三個輸入量需要弄清楚，分別是：最近鄰數目K，訓練集D，測試集Z。還有一個輸出量，就是對測試集Z中的所有樣本預測其類標號值，結合具體的資料集
x1| x2|y
1|2|A
1|3|A
1|1|A
2|1|A
2|2|A
2|3|A
6|8|B
2|4|A
3|2|A
5|7|B
4|7|B
5|6|B
3|3|A
3|4|A

同時，對於新資料為（4，5）來說，其屬於哪一個類別，定義(K=3)：
優先先計算出各點與（4，5）的歐式距離，然後對所得到的資料進行排序，在排序的同時對每個資料進行分類，最後以分類項加排序結果的形式顯示出來，當K=3時，取排序的前三位進行輸出。
就這麼簡單咯
下面是實現程式碼：

%{
首先先要importdata資料集
注意！！
要求：
資料集中的最後一列為分類號，需要設定為text格式
匯入為cell陣列
隨後令匯入的cell陣列為aa
就是“aa=xxxxx”————>xxx是你所匯入資料集的cell陣列原名稱
一定要改
一定要改
一定要改
%}

%獲取總長度
[num,row]=size(aa);

%新資料點,可以改變,注意維度
new=[4,5];

%最近鄰數目K，可以改變
K=5;

%計算新資料點到訓練集各點距離
new=new.';
a=[];
for i=1:num
    a(i,:)=[aa{i,1:(row-1)}];
    d=dist(a(i,:),new);
    aa{i,(row+1)}=d;
end

newaa=sortrows(aa,[row+1]);
disp('結果是：');
for i=1:K
   disp([newaa{i,:}]);
end