话说matlab的模式识别工具箱非常强大，对于一般应用来说基本不用自己编程，这就给科研带来了极大的便利。

之后估计会利用这个工具箱里的许多分类方法，比如KNN、BP、SVM等等；

现在就利用knn来进行分类。

For the object of samplify, I only choose 3 classes while 2 samples for each class ,there are 18 features in every sample .

准备条件：已经把特征数据和样本标号保存为文件。

测试代码为：

train_data=load('sample_feature.txt');

train_label=load('train_label.txt');

test_data=load('features.txt');

k=knnclassify(test_data,train_data,train_label,3,'cosine','random');train_data保存的是训练样本特征，要求是最能代表本类别的，不一定多，当然不能太少；

train_label保存的是样本标号，如0,1,2等等，随便设置，只有能区分就行,具体格式可以为:

1 1 2 2 3 3

test_data测试文件保存的是测试数据的特征；

关键函数介绍：

knnclassify是利用最近邻进行分类的分类器；

函数调用形式：

1.CLASS = KNNCLASSIFY(SAMPLE,TRAINING,GROUP)

标号和训练数据必须有相同的行数；训练数据和测试数据必须有相同的列；函数对于无效值或者空值会作为丢失值或者忽略这一行。

2.CLASS = KNNCLASSIFY(SAMPLE,TRAINING,GROUP,K)

此函数允许你设置距离矩阵形式，如：

'euclidean'    欧氏距离，默认的

'cityblock'    绝对差的和

'cosine'     角度距离

'correlation' 相关距离

'Hamming'      汉明距离

3.CLASS =KNNCLASSIFY(SAMPLE,TRAINING,GROUP,K,DISTANCE,RULE)

本函数允许你选择如何对样本进行分类，如你可以选择：

'nearest'  最近的K个的最多数

'random'    随机的最多数

'consensus' 投票法，默认的

而我选择的函数形式是：

k=knnclassify(test_data,train_data,train_label,3,'cosine','random');

大家可以对照看看选择合适的，多试试。

嗯，很简单，就这样就可以得到最后的分类类别了。

对了，还要把最后的分类类别进行保存，之前的一篇已经提到如何保存了，最终代码：

train_data=load('sample_feature.txt');

train_label=load('train_label.txt');

test_data=load('features.txt');

k=knnclassify(test_data,train_data,train_label,3,'cosine','random');

dlmwrite('a.txt',b,'delimiter',' ','newline','pc');ok，就这么多了，下次继续写，