pdist2
两组之间两两距离观察
语法
描述
D= pdist2 (X, Y,距离,DistParameter)距离和DistParameter。您可以指定DistParameter只有当距离是“seuclidean”,闵可夫斯基的,或“mahalanobis”。
例子
计算欧氏距离
创建两个矩阵和三个观察和两个变量。
rng (“默认”)%的再现性X =兰德(3 2);Y =兰德(3 2);
计算欧氏距离。输入参数的默认值距离是“欧几里得”。当计算欧氏距离不使用一个名称-值对的论点,你不需要指定距离。
D = pdist2 (X, Y)
D =3×30.5387 0.8018 0.1538 0.7100 0.5951 0.3422 0.8805 0.4242 1.2050
D (i, j)对应于两两之间的距离观察我在X和观察j在Y。
计算闵可夫斯基距离
创建两个矩阵和三个观察和两个变量。
rng (“默认”)%的再现性X =兰德(3 2);Y =兰德(3 2);
使用默认计算闵可夫斯基距离指数2。
D1 = pdist2 (X, Y,闵可夫斯基的)
D1 =3×30.5387 0.8018 0.1538 0.7100 0.5951 0.3422 0.8805 0.4242 1.2050
计算闵可夫斯基距离指数为1,等于该街区距离。
D2 = pdist2 (X, Y,闵可夫斯基的,1)
D2 =3×30.5877 1.0236 0.2000 0.9598 0.8337 0.3899 1.0189 0.4800 1.7036
D3 = pdist2 (X, Y,“cityblock”)
D3 =3×30.5877 1.0236 0.2000 0.9598 0.8337 0.3899 1.0189 0.4800 1.7036
找到两个最小的两两距离
创建两个矩阵和三个观察和两个变量。
rng (“默认”)%的再现性X =兰德(3 2);Y =兰德(3 2);
找到两个最小的成对欧几里得距离观察X为每一个观察Y。
[D,我]= pdist2 (X, Y,“欧几里得”,“最小”,2)
D =2×30.5387 0.4242 0.1538 0.7100 0.5951 0.3422
我=2×31 3 1 2 2 2
为每一个观察Y,pdist2发现两个最小距离通过计算和比较值的所有观测的距离X。函数类型的距离在每一列的D以升序排序。我包含了指标的观察X对应的距离D。
计算两两距离缺失的元素使用一个自定义距离函数
定义一个自定义距离函数忽略了坐标南值,计算两两距离通过使用自定义距离函数。
创建两个矩阵和三个观察和三个变量。
rng (“默认”)%的再现性X =兰德(3、3)Y = [X(: 1:2)兰德(3,1)]
X = Y 0.8147 0.9134 0.2785 0.9058 0.6324 0.5469 0.1270 0.0975 0.9575 = 0.8147 0.9134 0.9649 0.9058 0.6324 0.1576 0.1270 0.0975 0.9706
前两列的X和Y是相同的。假设X (1,1)不见了。
X (1, 1) = NaN
X =南0.9134 0.2785 0.9058 0.6324 0.5469 0.1270 0.0975 0.9575
计算出汉明距离。
D1 = pdist2 (X, Y,“汉明”)
D1 =南南南1.0000 0.3333 1.0000 1.0000 1.0000 0.3333
如果观察我在X或观察j在Y包含南值,函数pdist2返回南两两之间的距离我和j。因此,D1 (1, 1), D1(1、2),和D1 (1、3)南值。
定义一个自定义距离函数nanhamdist忽略了坐标,南汉明距离值和计算。在处理大量的观察,可以通过循环计算距离更快的坐标数据。
函数D2 = nanhamdist (XI, XJ)% NANHAMDIST汉明距离忽略坐标nan[m p] =大小(XJ);nesum = 0 (m, 1);pstar = 0 (m, 1);为q = 1: p notnan = ~ (isnan(ξ(q)) | isnan (XJ (:, q)));nesum = nesum + (XI (q) ~ = XJ (:, q) & notnan);pstar = pstar + notnan;结束D2 = nesum. / pstar;
计算距离nanhamdist通过传递函数的句柄作为输入参数pdist2。
@nanhamdist D2 = pdist2 (X, Y)
D2 = 0.5000 1.0000 1.0000 1.0000 0.3333 1.0000 1.0000 1.0000 0.3333
将新数据分配给现有的集群和生成C / c++代码
kmeans执行k——集群分区的数据k集群。当你有一个集群的新数据集,您可以创建新集群,包括通过使用现有的数据和新的数据kmeans。的kmeans函数支持C / c金宝app++代码生成,可以生成代码接受训练数据并返回聚类结果,然后将代码部署到设备。在这个工作流程中,您必须通过训练数据,可以相当大的规模。节省内存的设备,您可以通过使用单独的训练和预测kmeans和pdist2,分别。
使用kmeans在MATLAB®创建集群和使用pdist2在生成的代码将新数据分配给现有的集群。代码生成,定义一个入口点函数接受集群质心位置和新的数据集,并返回该指数最近的集群。然后,生成代码的入口点函数。
生成C / c++代码需要MATLAB®编码器™。
执行k聚类则
使用三个生成一个训练数据集分布。
rng (“默认”)%的再现性X = [randn(100 2) * 0.75 +(100 2)的;randn(100 2) * 0.5的(100 2);randn (100 2) * 0.75);
通过使用训练数据分割成三个集群kmeans。
[idx C] = kmeans (X, 3);
集群和集群质心的阴谋。
图gscatter (X (: 1), (:, 2), idx,“bgm”)举行在情节(C (: 1), C (:, 2),“kx”)传说(“集群1”,《集群2》,“集群3”,聚类质心的)
将新数据分配给现有的集群
生成测试数据集。
Xtest = [randn(10, 2) * 0.75 +的(10,2);randn(10, 2) * 0.5的(10,2);randn (10, 2) * 0.75);
使用现有的集群测试数据集进行分类。找到最近的重心从每个测试数据点用pdist2。
[~,idx_test] = pdist2 (C Xtest“欧几里得”,“最小”1);
情节的测试数据和标签使用的测试数据idx_test通过使用gscatter。
gscatter (Xtest (: 1) Xtest (:, 2), idx_test,“bgm”,“哦”)传说(“集群1”,《集群2》,“集群3”,聚类质心的,…集群的数据分类1 ',集群的数据分类2》,…集群的数据分类3 ')
生成代码
生成C代码,将新数据赋给现有的集群。注意,生成C / c++代码需要MATLAB®编码器™。
定义一个入口点函数命名findNearestCentroid接受质心位置和新数据,然后找到最近的集群使用pdist2。
添加% # codegen编译器指令(或编译指示)的入口点函数函数签名后,表明您打算为MATLAB算法生成代码。添加这个指令指示MATLAB代码分析器来帮助您诊断和解决违规,将导致错误在代码生成。
类型findNearestCentroid%显示findNearestCentroid.m内容
函数idx = findNearestCentroid (C、X) % # codegen [~, idx] = pdist2 (C、X、“欧几里得”、“最小”,1);%找到最近的重心
注意:如果单击按钮位于这个页面的右上角部分并在MATLAB®开设这个例子,然后用MATLAB®打开示例文件夹。这个文件夹包含的入口点函数文件。
通过使用生成代码codegen。因为C和c++静态类型语言中,您必须确定所有变量的属性在编译时的入口点函数。指定的数据类型和数组大小的输入findNearestCentroid,通过MATLAB表达式表示的值和一定的数据类型和数组大小使用arg游戏选择。有关详细信息,请参见为代码生成指定适应可变参数。
codegenfindNearestCentroidarg游戏{C, Xtest}
codegen生成墨西哥人的功能findNearestCentroid_mex与平台相关的扩展。
验证所生成的代码。
myIndx = findNearestCentroid (C, Xtest);myIndex_mex = findNearestCentroid_mex (C, Xtest);verifyMEX = isequal (idx_test myIndx myIndex_mex)
verifyMEX =逻辑1
isequal返回逻辑1 (真正的),这意味着所有的输入都是平等的。确认进行了比较pdist2函数,findNearestCentroid功能,墨西哥人返回相同的指数函数。
你还可以生成优化的CUDA®代码使用GPU编码器™。
cfg = coder.gpuConfig (墨西哥人的);codegen配置cfgfindNearestCentroidarg游戏{C, Xtest}
代码生成的更多信息,请参阅通用代码生成工作流。GPU编码器的更多信息,请参阅开始使用GPU编码器(GPU编码器)和金宝app支持功能(GPU编码器)。
