增加一个四维K使用欧几里得距离的d树。

载入费雪的虹膜数据集。

负载fisheririsX =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KD-tree，使用整个数据集作为训练数据。

Mdl1 = KDTreeSearcher (X)

Mdl1 = KDTreeSearcher with properties: BucketSize: 50 Distance: 'euclidean' DistParameter: [] X: [150x4 double]

Mdl1是一个KDTreeSearcher模型对象，其属性显示在命令窗口中。该对象包含关于增长的四维空间的信息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-tree通过使用createns．

Mdl2 = createns (X)

Mdl2 = KDTreeSearcher with properties: BucketSize: 50 Distance: 'euclidean' DistParameter: [] X: [150x4 double]

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对一批查询数据，传递KDTreeSearcher模型对象和查询数据knnsearch或rangesearch．

载入费雪的虹膜数据。关注花瓣的尺寸。

负载fisheririsX = meas(:，[3 4]);%预测

增加一个二维Kd-tree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”，闵可夫斯基的）

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

因为X有两列，距离度规是闵可夫斯基，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才能得到闵可夫斯基距离指数。

Mdl。DistParameter

ans = 2

您可以传递查询数据和Mdl:

创建一个KDTreeSearcher对象建模并更改距离属性使用点符号。

载入费雪的虹膜数据集。

负载fisheririsX =量;

发展一个默认的四维空间KD-tree，使用整个数据集作为训练数据。

Mdl = KDTreeSearcher (X)

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

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

Mdl。距离=闵可夫斯基的

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

你可以通过Mdl和查询数据到其中之一knnsearch或rangesearch根据闵可夫斯基距离查找查询数据中各点的最近邻居。

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)．