增加一个四维K使用欧几里德距离的d-树。

加载Fisher的虹膜数据集。

负载鱼腥草X =量;(n, k)大小(X) =

n=150

k = 4

X有150个观察和4个预测。

增加一个四维K使用整个数据集作为训练数据的d-树。

Mdl1=KDTreeSearcher（X）

Mdl1=KDTreeSearcher，属性：BucketSize:50距离：“欧几里德”距离参数：[]X:[150x4双精度]

Mdl1是一个KDTreeSearcher模型对象及其属性显示在命令窗口中。该对象包含有关生长的四维模型的信息Kd-树，比如距离度量。可以使用点表示法更改属性值。

或者，你可以种植一个Kd-树createns．

Mdl2=createns（X）

Mdl2=KDTreeSearcher，属性：BucketSize:50距离：“欧几里德”距离参数：[]X:[150x4双精度]

Mdl2也是一个KDTreeSearcher模型对象，它等价于Mdl1．因为X有四列，默认的距离度量是欧几里得，createns创建一个KDTreeSearcher默认模式。

找到最近的邻居X对于一批查询数据，传递KDTreeSearcher模型对象和要创建的查询数据knnsearch或rangesearch．

加载Fisher的虹膜数据。关注花瓣的尺寸。

负载鱼腥草X = meas(:，[3 4]);%预测

生成二维图形Kd-树使用createns以及训练数据。指定闵可夫斯基距离度量。

Mdl = createns (X,“距离”,“明可夫斯基”)

Mdl = KDTreeSearcher with properties: BucketSize: 50 Distance: 'minkowski' DistParameter: 2 X: [150x2 double]

因为X有两列，距离度量为Minkowski，createns创建一个KDTreeSearcher默认模型对象。

的访问属性Mdl通过使用点表示法。例如，使用Mdl。DistParameter访问Minkowski距离指数。

Mdl。DistParameter

ans = 2

您可以传递查询数据和Mdl致：

创建一个KDTreeSearcher对象建模并更改距离属性使用点表示法。

加载Fisher的虹膜数据集。

负载鱼腥草X =量;

增长默认的四维空间K使用整个数据集作为训练数据的d-树。

Mdl = KDTreeSearcher (X)

Mdl = KDTreeSearcher with properties: BucketSize: 50 Distance: 'euclidean' DistParameter: [] X: [150x4 double]

指定邻居搜索者使用Minkowski度量来计算训练数据和查询数据之间的距离。

距离=“明可夫斯基”

Mdl = KDTreeSearcher with properties: BucketSize: 50 Distance: 'minkowski' DistParameter: 2 X: [150x4 double]

你可以通过Mdl并将查询数据knnsearch或rangesearch根据Minkowski距离查找查询数据中点的最近邻。

长出K使用createns作用将对象和查询数据传递给knnsearch查找函数K-最近的邻居。

加载Fisher的虹膜数据集。

负载鱼腥草

从预测器数据中随机移除五个虹膜以用作查询集。

rng（1）；%为了再现性n=尺寸（平均值，1）；%样本量qIdx = randsample (n, 5);%查询数据索引tIdx=~ismember（1:n，qIdx）；%训练数据索引Q=meas（qIdx，：）；X=meas（tIdx，：）；

增加一个四维K使用训练数据的d-树。指定查找最近邻居的Minkowski距离。

Mdl = createns (X,“距离”,“明可夫斯基”)

Mdl=KDTreeSearcher，属性：BucketSize:50距离：“minkowski”距离参数：2 X:[145x4双精度]

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(Q).

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，的第二近邻问题（3，：）是X（12，：）．