knnsearch接受ExhaustiveSearcher或KDTreeSearcher对对象建模，以便在训练数据中搜索与查询数据最近的邻居。一个ExhaustiveSearcher模型调用穷举搜索算法KDTreeSearcher模型定义了一个Kd-tree,knnsearch用于搜索最近的邻居。

载入费雪的虹膜数据集。从数据中随机保留5个观察值作为查询数据。

负载fisheririsrng (1);%的再现性1) n =大小(量;idx = randsample (n, 5);X =量(~ ismember (1: n, idx):);%的训练数据: Y =量(idx);%查询数据

的变量量包含4个预测因子。

发展一个默认的四维空间Kd-tree。

MdlKDT = KDTreeSearcher (X)

MdlKDT = KDTreeSearcher with properties: BucketSize: 50 Distance: 'euclidean' DistParameter: [] X: [145x4 double]

MdlKDT是一个KDTreeSearcher模型对象。你可以使用点符号来改变它的可写属性。

准备一个详尽的最近邻搜索器。

mdl = ExhaustiveSearcher (X)

MdlES = extivesearcher with properties: Distance: 'euclidean' DistParameter: [] X: [145x4 double]

MdlKDT是一个ExhaustiveSearcher模型对象。它包含了一些选项，例如用于查找最近邻居的距离度量。

或者，你可以种植一个K用D-tree或准备一个穷举的最近邻搜索器createns．

在训练数据中搜索与每个查询观测相对应的最近邻索引。使用默认设置执行这两种类型的搜索。缺省情况下，每个查询观测需要搜索的邻居数为1．

IdxKDT = knnsearch (MdlKDT Y);idx = knnsearch (mdl Y);[IdxKDT idx]

ans =5×217 17 6 6 1 1 89 89 124 124

在本例中，搜索的结果是相同的。

种植Kd-树最近邻搜索对象createns函数。将对象和查询数据传递给knnsearch函数来找到k最近的邻居。

载入费雪的虹膜数据集。

负载fisheriris

从预测器数据中随机移除五个虹膜以用作查询集。

rng (1);%的再现性1) n =大小(量;%样本大小qIdx = randsample (n, 5);%查询数据索引tIdx = ~ ismember (1: n, qIdx);%训练数据指标Q =量(qIdx:);X =量(tIdx:);

增加一个四维KD-tree使用训练数据。指定Minkowski距离以查找最近的邻居。

Mdl = createns (X,“距离”，闵可夫斯基的）

Mdl = KDTreeSearcher with properties: BucketSize: 50 Distance: 'minkowski' DistParameter: 2 X: [145x4 double]

因为X有四列，距离度量是闵可夫斯基，createns创建一个KDTreeSearcher默认模型对象。闵可夫斯基距离指数是2默认情况下。

找到训练数据的指标(Mdl。X)，即查询数据中每个点最近的两个邻居(问)。

IdxNN = knnsearch (Mdl Q“K”, 2)

IdxNN =5×217 4 6 2 1 12 89 66 124 100

每一行的IdxNN对应一个查询数据观察，列顺序对应最近的邻居的顺序，相对于上升的距离。例如，根据闵可夫斯基距离，的第二近邻问(3:)是: X(12日)．

载入费雪的虹膜数据集。

负载fisheriris

从预测器数据中随机移除五个虹膜以用作查询集。

rng (4);%的再现性1) n =大小(量;%样本大小qIdx = randsample (n, 5);%查询数据索引X =量(~ ismember (1: n, qIdx):);: Y =量(qIdx);

增加一个四维KD-tree使用训练数据。指定Minkowski距离以查找最近的邻居。

Mdl = KDTreeSearcher (X);

Mdl是一个KDTreeSearcher模型对象。默认情况下，寻找最近邻居的距离度量是欧几里得度量。

找到训练数据的指标(X)，即查询数据中每个点最近的7个邻居(Y)。

[Idx D] = knnsearch (Mdl Y“K”7“IncludeTies”,真正的);

Idx和D是由五个元素组成的向量单元数组，每个向量至少有七个元素。

显示中向量的长度Idx．

cellfun (“长度”Idx)

ans =5×18 7 7 7 7

因为细胞1包含长度大于的向量k= 7，查询观察1 (Y (1:))同样接近于至少两次观测结果X．

显示到的最近邻居的索引Y (1:)和他们的距离。

nn5 = Idx {1}

nn5 =1×891 98 67 69 71 93 88 95

nn5d = D {1}

nn5d =1×80.1414 0.2646 0.2828 0.3000 0.3464 0.3742 0.3873 0.3873

培训的观察88和950.3873厘米距离查询观察1．

火车两KDTreeSearcher模型使用不同的距离度量，并进行比较k-两个模型查询数据的最近邻。

载入费雪的虹膜数据集。把花瓣的大小作为预测因素。

负载fisheririsX =量(:,3:4);%预测Y =物种;%响应

训练KDTreeSearcher使用预测器对对象进行建模。指定指数为5的闵可夫斯基距离。

KDTreeMdl = KDTreeSearcher (X,“距离”，闵可夫斯基的，“P”5)

KDTreeMdl = KDTreeSearcher with properties: BucketSize: 50 Distance: 'minkowski' DistParameter: 5 X: [150x2 double]

找出10个最近的邻居X查询点(newpoint)，首先使用Minkowski然后切比切夫距离度量。查询点必须具有与用于训练模型的数据相同的列维。

Newpoint = [5 1.45];[IdxMk, DMk] = knnsearch (KDTreeMdl newpoint,“k”10);[IdxCb, DCb] = knnsearch (KDTreeMdl newpoint,“k”10“距离”，“chebychev”）;

IdxMk和IdxCb1 × 10矩阵是否包含行索引X的最近的邻居newpoint分别使用闵可夫斯基距离和切比切夫距离。元素(1,1)是最近的，元素(1,2)是下一个最近的，以此类推。

绘制训练数据、查询点和最近的邻居。

图;gscatter (X (: 1) X (:, 2), Y);标题(Fisher' s Iris数据——最近邻）;包含(“花瓣长度(厘米)”）;ylabel (“花瓣宽度(cm)”）;持有在情节(newpoint (1) newpoint (2),“kx”，“MarkerSize”10“线宽”2);%查询点情节(X (IdxMk, 1), X (IdxMk, 2),“o”，“颜色”,(。5。5。5),“MarkerSize”10);闵可夫斯基最近的邻居情节(X (IdxCb, 1), X (IdxCb, 2),“p”，“颜色”,(。5。5。5),“MarkerSize”10);切比切夫最近的邻居传奇(“setosa”，“多色的”，“virginica”，“查询点”，．．．闵可夫斯基的，“chebychev”，“位置”，“最佳”）;

把感兴趣的点放大。

甘氨胆酸h =;获取当前轴句柄。h.XLim = [4.5 5.5];h.YLim = [1 2];轴广场；

几个观察结果是相同的，这就是为什么在图中只确定了8个最近的邻居。