长四维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 = meas;[n，k] = size（x）

n = 150

k = 4.

X有150个观察和4个预测因子。

长四维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A.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，如距离度量。您可以使用点表示法更改属性值。

或者，你可以成长一个Kd-tree通过使用创造．

Mdl2 = createns (X)

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

Mdl2也是A.kdtreesearcher.模型对象，它等价于Mdl1．因为X有四列，默认距离度量是欧几里德，创造创造一个kdtreesearcher.模型默认情况下。

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或者rangesearch.．

载入费雪的虹膜数据。关注花瓣的尺寸。

负载fisheririsx = meas（：，[3 4]）;％预测因子

增加一个二维Kd-tree使用创造和训练数据。指定Minkowski距离度量标准。

mdl = createns（x，'距离'，闵可夫斯基的）

MDL =具有属性的KDTreeSearcher：Bucketsize：50距离：'Minkowski'DistParameter：2 x：[150x2双]

因为X有两列，距离度规是闵可夫斯基，创造创造一个kdtreesearcher.默认情况下模型对象。

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

您可以通过查询数据和Mdl:

创建A.kdtreesearcher.模型对象并改变距离属性使用点符号。

载入费雪的虹膜数据集。

负载fisheririsx = meas;

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 =具有属性的kdtreesearcher：铲斗：50距离：'euclidean'distparameter：[] x：[150x4双]

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 =具有属性的KDTreeSearcher：Bucketsize：50距离：'Minkowski'DistParameter：2 x：[150x4双]

你可以通过Mdl和查询数据到其中之一knnsearch或者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-树最近邻搜索对象创造函数。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

从预测器数据随机删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:);

长四维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minkowski，创造创造一个kdtreesearcher.默认情况下模型对象。Minkowski距离指数是2默认情况下。

找到培训数据的指标（mdl.x.）是查询数据中每个点的两个最近邻居（问)．

idxnn = knnsearch（mdl，q，“K”, 2)

idxnn =.5×217 4 6 2 1 12 89 66 124 100

每一排IdxNN对应于查询数据观察，并且列顺序对应于相对于升高距离的最近邻居的顺序。例如，基于Minkowski距离，第二个最近的邻居问(3:)是: X(12日)．