deux fonction matlab qui facilité l'implémentation de KNN et qui donnent comme sorties le taux de classification , le spécificité , la sensibilité et la matrice de confusion
la fonction knncrossTp1.m: pour réaliser le knn avec le cross validation .
[Tct, Set, Spt, c] = knnCrossTp1(path, num_division, k_voisin, distance);
les entrées :
path: Strign représente le directoire de la base de données
num_division: entier représente le nombre des interval de division de la base de données (par exemple 3)
k_voisin : entier représente le nombre des voisins le plus proche pour knn
distance : string représente la distance utilise (entrer la commande 'help knn' pour trouve les différentes distance disponible )
les sorties :
Tct : c'est le tau de classification moyenne des tuax de classifications des changement des intervall
Set : c'est Sensibilité moyenne
Spt : c'est la spécificité moyenne
c : c'est la matrice de confusion de taux de classification le plus grand
exemple : exemple : [t, se, sp] = knnTp1('Pima.txt', 3, 9, 'euclidean');
la fonction knnTp1.m: pour réaliser le knn sans cross validation . [Te, Se, Sp, c] = knnTp1(path, k, dist)
path : String représente le directoire de la base de donneés
k: entier représente le nombre des voisines les plus proches
dist: String représent la distance knn utilisé
sorties : Te: tau de classifcation
Se : la sensibilité
Sp : le spécificité
c : la matrice de confusion
exemple : [t, se, sp] = knnTp1('Pima.txt', 9, 'euclidean')