Пример 1. Рассмотрим пример на модельных данных

Рассмотрим пример на модельных данных. Выборка состоит из четырех классов, которые являются гауссовскими рапределением с диагональными матрицами ковариации. Классы легко разделимы.

%% Example 1% Example, which is simply classifed by WeightedKNN. It seems like XOR% problem. %% generate training sample% generate 2 groups of normal classes. Each group consistes of 2 simple% normal classesXL1 = [GetNormClass(50,[0,0],[1,1]); GetNormClass(50,[6,6],[1,1])];XL2 = [GetNormClass(50,[6,0],[1,1]); GetNormClass(50,[0,6],[1,1])]; XL = [XL1; XL2];YL = [repmat(1,100,1);repmat(2,100,1)]; %% generate control data with the same distributionX1 = [GetNormClass(50,[0,0],[1,1]); GetNormClass(50,[6,6],[1,1])];X2 = [GetNormClass(50,[6,0],[1,1]); GetNormClass(50,[0,6],[1,1])];X = [X1; X2];Y = [repmat(1,100,1);repmat(2,100,1)]; %% get classification%% choosing parametrsPP = ParAdjust(XL, YL);PP.XL = XL;PP.YL = YL;%% classificationY = WeightKNN(X, PP); %% results visuaisation%% plotting real classes of objectsplot(X1(:,1),X1(:,2),'*r');hold onplot(X2(:,1),X2(:,2),'*b'); %% plotting classification resultsplot(X(Y == 1,1),X(Y == 1,2),'or');plot(X(Y == 2,1),X(Y == 2,2),'ob');hold off

На графике по осям отложены величины признаков объектов, различные классы показаны крестиками различных цветов, а результат классификации показан кружочками соотвествующих цветов. Алгоритм не допустил при классификации ни одной ошибки.