贝叶斯优化最近邻分类matlab代码

数据为Excel分类数据集数据。

数据集划分为训练集、验证集、测试集，比例为8:1:1

数据处理：代码对数据进行了规范化处理，包括标准化和数据集划分，使得数据具有一致的尺度和格式，有利于算法的训练和测试。

算法选择：代码选择了适当的算法进行分类任务，通过贝叶斯迭代和十折交叉验证等方法进行模型训练和评估，提高了模型的泛化能力。

结果展示：代码在最后通过绘图的方式展示了分类结果和混淆矩阵，直观地展示了模型的性能和分类效果，有助于对模型进行评估和改进。

输出的定量结果如下：

十折验证准确率：0.95935

训练集准确率：0.95935

验证集准确率：1

测试集准确率：0.93333

运行时长: 3.484

代码有详细中文介绍。

代码运行结果图如下：

部分代码如下：

% 清除命令窗口、工作区数据、图形窗口、警告
clc;
clear;
close all;
warning off;
load('data.mat')	% 加载数据
data1 = readtable('分类数据集.xlsx'); % 读取数据
data2 = data1(:, 2:end); 	
data = table2array(data1(:, 2:end));	
data_biao = data2.Properties.VariableNames;  % 数据特征的名称
A_data1 = data;	
data_biao1 = data_biao;		
	
data_select = A_data1;	
feature_need_last = 1:size(A_data1, 2) - 1;	
	
%% 数据划分	
x_feature_label = data_select(:, 1:end-1);    % x特征	
y_feature_label = data_select(:, end);        % y标签	
index_label1 = randperm(size(x_feature_label, 1));	
index_label = G_out_data.spilt_label_data;  % 数据索引	
if isempty(index_label)	
    index_label = index_label1;	
end	
spilt_ri = G_out_data.spilt_rio;  % 划分比例 训练集:验证集:测试集	
train_num = round(spilt_ri(1)/(sum(spilt_ri))*size(x_feature_label, 1));          % 训练集个数	
vaild_num = round((spilt_ri(1)+spilt_ri(2))/(sum(spilt_ri))*size(x_feature_label, 1)); % 验证集个数	
% 训练集，验证集，测试集	
train_x_feature_label = x_feature_label(index_label(1:train_num), :);	
train_y_feature_label = y_feature_label(index_label(1:train_num), :);	
vaild_x_feature_label = x_feature_label(index_label(train_num+1:vaild_num), :);	
vaild_y_feature_label = y_feature_label(index_label(train_num+1:vaild_num), :);	
test_x_feature_label = x_feature_label(index_label(vaild_num+1:end), :);	
test_y_feature_label = y_feature_label(index_label(vaild_num+1:end), :);