KDTreeSearcher

增加一个四维Kd-tree使用欧氏距离。

加载费雪的虹膜数据集。

负载fisheririsX =量;(n, k)大小(X) =

n = 150

k = 4

X150观察和预测。

增加一个四维Kd-tree使用整个数据集作为训练数据。

Mdl1 = KDTreeSearcher (X)

Mdl1 = KDTreeSearcher属性:BucketSize: 50距离:“欧几里得”DistParameter: [] X: (x4 150双)

Mdl1是一个KDTreeSearcher模型对象,其属性出现在命令窗口。对象包含有关发展四维的信息Kd-tree,如距离度量。可以使用点符号改变属性值。

或者,你可以种植Kd-tree通过使用createns。

Mdl2 = createns (X)

Mdl2 = KDTreeSearcher属性:BucketSize: 50距离:“欧几里得”DistParameter: [] X: (x4 150双)

Mdl2也是一个KDTreeSearcher模型对象,它相当于Mdl1。因为X有四个列和欧氏距离度量违约,createns创建一个KDTreeSearcher默认模式。

找到最近的邻居X一批查询数据,通过KDTreeSearcher模型对象和查询数据knnsearch或rangesearch。

费雪的虹膜数据加载。专注于花瓣维度。

负载fisheririsX =量(:[3 - 4]);%预测

增加一个二维Kd-tree使用createns和训练数据。指定闵可夫斯基距离度量。

Mdl = createns (X,“距离”,闵可夫斯基的)

Mdl = KDTreeSearcher属性:BucketSize: 50距离:“闵可夫斯基”DistParameter: 2 X: [150 x2双)

因为X有两个列和闵可夫斯基距离度量,createns创建一个KDTreeSearcher默认模型对象。

访问的属性Mdl通过使用点符号。例如,使用Mdl.DistParameter访问闵可夫斯基距离指数。

Mdl.DistParameter

ans = 2

你可以通过查询数据和Mdl:

创建一个KDTreeSearcher模型对象和改变距离通过使用点符号属性。

加载费雪的虹膜数据集。

负载fisheririsX =量;

增加一个默认的四维Kd-tree使用整个数据集作为训练数据。

Mdl = KDTreeSearcher (X)

Mdl = KDTreeSearcher属性:BucketSize: 50距离:“欧几里得”DistParameter: [] X: (x4 150双)

指定你的邻居搜索者使用闵可夫斯基之间的距离度量来计算培训和查询数据。

Mdl。距离=闵可夫斯基的

Mdl = KDTreeSearcher属性:BucketSize: 50距离:“闵可夫斯基”DistParameter: 2 X: (x4 150双)

你可以通过Mdl和查询数据knnsearch或rangesearch找到最近的邻居的点查询数据基于闵可夫斯基距离。

种植K通过使用d-tree最近邻搜索对象createns函数。通过对象和查询数据knnsearch函数来找到k最近的邻居。

加载费雪的虹膜数据集。

负载fisheriris

删除5虹膜随机预测的数据作为查询集。

rng (1)%的再现性1)n =大小(量;%样本大小qIdx = randsample (n, 5);%查询数据的指标tIdx = ~ ismember (1: n, qIdx);%指数的训练数据Q =量(qIdx:);X =量(tIdx:);

增加一个四维Kd-tree使用训练数据。寻找指定闵可夫斯基距离最近的邻居。

Mdl = createns (X,“距离”,闵可夫斯基的)

Mdl = KDTreeSearcher属性:BucketSize: 50距离:“闵可夫斯基”DistParameter: 2 X: (x4 145双)

因为X有四个列和闵可夫斯基距离度量,createns创建一个KDTreeSearcher默认模型对象。闵可夫斯基距离指数2默认情况下。

找到训练数据的指标(Mdl.X)是两个最近邻居查询数据(每一个点的问)。

IdxNN = knnsearch (Mdl Q“K”,2)

IdxNN =5×217日4 6 2 1 12 89 66 124 100

每一行的IdxNN对应于一个查询数据观察,列订单对应的订单最近的邻居,对提升距离。例如,基于闵可夫斯基距离,第二个最近邻问(3:)是:X(12日)。