knnsearch.

找到K.- 使用输入数据的最佳邻居

折叠所有页面

句法

Idx = knnsearch (X, Y)

Idx = knnsearch (X, Y,名称,值)

[IDX，D] = knnsearch（___）

描述

例子

Idx= knnsearch (X那y）找到最近的邻居X对于每个查询点y并返回最近邻的索引Idx，一个列向量。Idx具有相同的行数y．

Idx= knnsearch (X那y那名称，价值）回报Idx使用一个或多个名称-值对参数指定附加选项。例如，可以指定要搜索的最近邻居的数量和在搜索中使用的距离度量。

例子

[Idx那D.] = knnsearch（___）另外返回矩阵D.，使用前面语法中的任何输入参数。D.包含每个观察之间的距离y和相应的最近的观察X．

例子

全部折叠

找到最近的邻居

打开生活的脚本

找到病人在医院与病人最相似的数据集y，根据年龄和体重。

加载医院数据集。

加载医院；X =[医院。年龄hospital.Weight);Y = [20 162;30 169;40 168;50 170;60 171];％新患者

执行一个knnsearch.之间的X和y查找最近邻的索引。

Idx = knnsearch (X, Y);

找到病人X最近的年龄和体重y．

x（idx，:)

ans =.5×225 171 25 171 39 164 49 170 50 172

找到K.使用不同距离指标的最佳邻居

打开生活的脚本

找到10个最近的邻居X每个点y，首先使用闵可夫斯基距离度量，然后使用切比切夫距离度量。

装载Fisher的Iris数据集。

加载fisheririsX =量(:,3:4);原始花的测量值Y = [5 1.45;6 2;2.75 .75];％新花卉数据

执行一个knnsearch.之间的X以及查询点y使用Minkowski和Chebychev距离度量。

(马里兰州mIdx) = knnsearch (X, Y,'K'10“距离”那闵可夫斯基的那'P'5）;[CIDX，CD] = knnsearch（x，y，'K'10“距离”那'chebbychev'）;

可视化两个最近邻的搜索结果。绘制训练数据。用标记x绘制查询点。用圆圈表示Minkowski最近的邻居。用五角形来表示切比切夫最近的邻居。

Gsfatter（x（：，1），x（：，2），物种）线（y（：，1），y（:,2），“标记”那'X'那'颜色'那“k”那．..'Markersize'10'行宽'2,'linestyle'那'没有任何')线(X (mIdx, 1), X (mIdx, 2),'颜色',(。5。5。5),“标记”那'o'那．..'linestyle'那'没有任何'那'Markersize'10)线(X (cIdx, 1), X (cIdx, 2),'颜色',(。5。5。5),“标记”那'P'那．..'linestyle'那'没有任何'那'Markersize'10)传说('setosa'那“多色的”那'virginica'那“查询点”那．..闵可夫斯基的那'chebbychev'那“位置”那“最佳”）

图包含轴。轴包含6个类型的线。这些对象代表setosa，versicolor，virginica，查询点，minkowski，chebychev。

输入参数

全部折叠

`X`-输入数据
数字矩阵

输入数据，指定为数字矩阵。行X对应观察值，列对应变量。

数据类型:单|双

`y`-查询点
数字矩阵

查询点，指定为数字矩阵。行y对应观察值，列对应变量。y必须具有相同数量的列X．

数据类型:单|双

名称-值对的观点

指定可选的逗号分离对名称，价值参数。的名字是参数名称和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子:knnsearch（x，y，'k'，10，'IncludeTies'，True，'距离'，'CityBlock'）搜索10个最近的邻居，包括领带和使用城市街区距离。

`'K'`-最近邻居的数量
`1`(默认)|正整数

找到最近的邻居的数量X对于每一点y，指定为逗号分隔的对，由'K'一个正整数。

例子:“K”,10

数据类型:单|双

`'Includeties'`-标志包含所有最近的邻居
`错误的`（`0.`）(默认)|`真正的`（`1`）

标志，以包含与查询点有相同距离的所有最近的邻居，指定为逗号分隔对，由'Includeties'和错误的（0.)或真正的（1)．

如果'Includeties'是错误的，然后knnsearch.在与查询点距离相同的观测值中选择索引值最小的观测值。

如果'Includeties'是真正的，然后：

knnsearch.包括所有最近的邻居，其距离等于K.在输出参数中最小的距离。指定K.，使用'K'名称值对参数。
Idx和D.是m——- - - - - -1细胞阵列，使得每个单元包含至少的向量K.分别指数和距离。每个矢量D.包含按升序排列的距离。每一行Idx包含与中距离相对应的最近邻居的指标D.．

例子:“IncludeTies”,真的

`'nsmethod'`-最近邻搜索法
`'kdtree'`|`“详尽”`

最近邻搜索方法，指定为逗号分隔对组成'nsmethod'和其中一个值。

'kdtree'-创建和使用K.d树来寻找最近的邻居。'kdtree'中的列数是默认值吗X小于或等于10，X不是稀疏，距离度量是“欧几里得”那“cityblock”那'chebbychev',或闵可夫斯基的．否则，默认值为“详尽”．
的值'kdtree'仅当距离度量是上面提到的四个度量之一时有效。
“详尽”—采用穷举搜索算法，计算到中所有点的距离值X每个点y．

例子:“NSMethod”、“详尽”

`“距离”`-距离度量
`“欧几里得”`(默认)|`“seuclidean”`|`“cityblock”`|`'chebbychev'`|`闵可夫斯基的`|`“mahalanobis”`|功能手柄|……

距离度量knnsearch.用途，指定为逗号分隔对组成“距离”和表中的一个值或函数句柄。

价值	描述
`“欧几里得”`	欧几里德距离。
`“seuclidean”`	标准化的欧几里德距离。行之间的每个坐标差异`X`以及查询矩阵`y`是通过除以相应元素的标准偏差计算得出的`X`．要指定另一个缩放，请使用`“规模”`名称值对参数。
`“cityblock”`	城市街区的距离。
`'chebbychev'`	Chebychev距离（最大坐标差异）。
`闵可夫斯基的`	Minkowski距离。默认指数为2.要指定其他指数，请使用`'P'`名称值对参数。
`“mahalanobis”`	Mahalanobis距离，使用正定的协方差矩阵计算。要更改协方差矩阵的值，请使用`“浸”`名称值对参数。
`'余弦'`	1减去观测值之间夹角的余弦值(作为向量处理)。
`'相关性'`	一个减去观察之间的样本线性相关性（作为值序列处理）。
`“枪兵”`	一个减去样本Spearman的观察之间的秩相关性（视为值序列）。
`'汉明'`	汉明距离，是坐标差的百分比。
`“jaccard”`	1减去雅卡尔系数，雅卡尔系数是不同的非零坐标的百分比。

您还可以使用@（例如，@distfun)．自定义距离函数必须:

的形式函数D2 = distfun(ZI,ZJ)．
以作为参数:
- 1 -N向量子包含来自的单行X或从查询点y．
- 一个m₂——- - - - - -N矩阵ZJ包含多行X或y．
返回A.m₂-1-1距离矢量D2,他的j元素是观测值之间的距离子和ZJ (j,:)．

有关更多信息，请参见距离指标．

例子:“距离”、“chebychev”

`'P'`-用于Minkowski距离度量的指数
`2`(默认)|正标量

闵可夫斯基距离度量的指数，指定为逗号分隔对，由'P'一个正标量。

此参数仅当“距离”是闵可夫斯基的．

例子:'P'，3

数据类型:单|双

`“浸”`-马氏距离度量的协方差矩阵
`COV（x，'omitrows'）`(默认)|正定矩阵

用于Mahalanobis距离度量的协方差矩阵，指定为逗号分隔对组成“浸”一个正定矩阵。

此参数仅当“距离”是“mahalanobis”．

例子:'COV'，EYE（4）

数据类型:单|双

`“规模”`-尺度参数值的标准欧几里得距离度量
`std（x，'omitnan'）`(默认)|非负数字矢量

尺度参数值为标准化的欧几里得距离度量，指定为逗号分隔对组成“规模”和一个非负的数值向量。“规模”长度等于列数X．什么时候knnsearch.计算标准化的欧几里德距离，每个坐标X是按对应的元素缩放的吗“规模”，就像每个查询点一样。此参数仅在以下情况下有效“距离”是“seuclidean”．

例子:'Scale'，Smianile（x，0.75） - smartile（x，0.25）

数据类型:单|双

`“BucketSize”`-的叶节点中数据点的最大个数K.d-tree
`50`(默认)|正整数

的叶节点中的最大数据点数K.D-Tree，指定为逗号分隔对组成“BucketSize”一个正整数。此参数仅在以下情况下有效NSMethod是'kdtree'．

例子:'桶装'，20

数据类型:单|双

`'sortindices'`-标志根据距离对返回的指数进行排序
`真正的`（`1`）(默认)|`错误的`（`0.`）

标志根据距离对返回的索引进行排序，指定为逗号分隔的对，由'sortindices',要么真正的（1)或错误的（0.)．

要获得更快的性能，您可以设置SortIndices来错误的当下列情况成立时:

y包含许多有许多最近邻居的观察员X．
NSMethod是'kdtree'．
IncludeTies是错误的．

在这种情况下,knnsearch.返回最近邻的索引，没有特定的顺序。什么时候SortIndices是真正的，该函数按距离按升序排列最近的邻居指数。

SortIndices是真正的默认情况下。什么时候NSMethod是“详尽”或IncludeTies是真正的，该函数总是对索引进行排序。

例子:“SortIndices”,假的

数据类型:逻辑

输出参数

全部折叠

`Idx`—输入最近邻居的数据索引
数字矩阵|数字向量单元阵列

最近邻的输入数据索引，作为数字矩阵或数字向量的单元格数组返回。

如果您未指定IncludeTies（错误的默认情况下），然后Idx是一个m——- - - - - -K.数字矩阵,m行数是多少y和K.为搜索的最近邻居数。Idx (j,我)表明X (Idx (j,我),:)其中一个K.最近的观察X到查询点Y (j,:)．
如果您指定“IncludeTies”,真的，然后Idx是一个m——- - - - - -1单元阵列使细胞j（IDX {J}）包含至少的向量K.最近观测的指数X到查询点Y (j,:)．

如果SortIndices是真正的，然后knnsearch.按距离升序排列指标。

`D.`-最近邻居的距离
数字矩阵|数字向量单元阵列

查询点的最近邻居的距离，以数字矩阵或数字向量单元格数组的形式返回。

如果您未指定IncludeTies（错误的默认情况下），然后D.是一个m——- - - - - -K.数字矩阵,m行数是多少y和K.为搜索的最近邻居数。D (j,我)是距离X (Idx (j,我),:)和Y (j,:)关于距离度量。
如果您指定“IncludeTies”,真的，然后D.是一个m——- - - - - -1单元阵列使细胞j（d {j}）包含至少的向量K.最近观测的距离X到查询点Y (j,:)．

如果SortIndices是真正的，然后knnsearch.按升序排列距离。

提示

一个固定的正整数K.那knnsearch.找到K.要点X这是每个点最近的y．找到所有要点X在每个点的固定距离内y,使用rangesearch．
knnsearch.不保存搜索对象。要创建搜索对象，请使用createns．

算法

有关特定搜索算法的信息，请参见k近邻搜索和半径搜索．

选择功能

如果你设置knnsearch.函数的'nsmethod'名称值对参数适当的值（“详尽”用于详尽的搜索算法或'kdtree'对于一个K.d-树算法)，然后将搜索结果等价于使用knnsearch.对象的功能。不像knnsearch.函数,knnsearch.对象功能需要一个令人疲惫的或者一个KDTreeSearcher模型对象。

参考

[1]弗里德曼，J.H.，J. Bentely和R. A. Finkel。“一种在对数预期时间中找到最佳匹配的算法。”数学软件上的ACM交易3,没有。3(1977): 209 - 226。

扩展功能

高阵列
使用比内存更多的阵列计算更多行的阵列。

使用注意事项及限制:

如果X是一个高数组吗y不能是一个高大的阵列。同样，如果y是一个高数组吗X不能是一个高大的阵列。

有关更多信息，请参见高阵列．

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

有关代码生成的更多信息，请参阅代码生成简介和一般代码生成工作流程．

GPU数组
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。

使用注意事项及限制:

这'Includeties'那'nsmethod','sortindices'不支持名称-值对参数。金宝app

有关更多信息，请参见在GPU上运行matlab函数(并行计算工具箱)．

也可以看看

createns|令人疲惫的|KDTreeSearcher|knnsearch.

话题

介绍了R2010a

knnsearch.

句法

描述

例子

找到最近的邻居

找到K.使用不同距离指标的最佳邻居

输入参数

`X`-输入数据
数字矩阵

`y`-查询点
数字矩阵

名称-值对的观点

`'K'`-最近邻居的数量
`1`(默认)|正整数

`'Includeties'`-标志包含所有最近的邻居
`错误的`（`0.`）(默认)|`真正的`（`1`）

`'nsmethod'`-最近邻搜索法
`'kdtree'`|`“详尽”`

`“距离”`-距离度量
`“欧几里得”`(默认)|`“seuclidean”`|`“cityblock”`|`'chebbychev'`|`闵可夫斯基的`|`“mahalanobis”`|功能手柄|……

`'P'`-用于Minkowski距离度量的指数
`2`(默认)|正标量

`“浸”`-马氏距离度量的协方差矩阵
`COV（x，'omitrows'）`(默认)|正定矩阵

`“规模”`-尺度参数值的标准欧几里得距离度量
`std（x，'omitnan'）`(默认)|非负数字矢量

`“BucketSize”`-的叶节点中数据点的最大个数K.d-tree
`50`(默认)|正整数

`'sortindices'`-标志根据距离对返回的指数进行排序
`真正的`（`1`）(默认)|`错误的`（`0.`）

输出参数

`Idx`—输入最近邻居的数据索引
数字矩阵|数字向量单元阵列

`D.`-最近邻居的距离
数字矩阵|数字向量单元阵列

提示

算法

选择功能

参考

扩展功能

高阵列
使用比内存更多的阵列计算更多行的阵列。

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU数组
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。

也可以看看

话题

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

knnsearch.

句法

描述

例子

找到最近的邻居

找到K.使用不同距离指标的最佳邻居

输入参数

X-输入数据数字矩阵

y-查询点数字矩阵

名称-值对的观点

'K'-最近邻居的数量1(默认)|正整数

'Includeties'-标志包含所有最近的邻居错误的（0.）(默认)|真正的（1）

'nsmethod'-最近邻搜索法'kdtree'|“详尽”

“距离”-距离度量“欧几里得”(默认)|“seuclidean”|“cityblock”|'chebbychev'|闵可夫斯基的|“mahalanobis”|功能手柄|……

'P'-用于Minkowski距离度量的指数2(默认)|正标量

“浸”-马氏距离度量的协方差矩阵COV（x，'omitrows'）(默认)|正定矩阵

“规模”-尺度参数值的标准欧几里得距离度量std（x，'omitnan'）(默认)|非负数字矢量

“BucketSize”-的叶节点中数据点的最大个数K.d-tree50(默认)|正整数

'sortindices'-标志根据距离对返回的指数进行排序真正的（1）(默认)|错误的（0.）

输出参数

Idx—输入最近邻居的数据索引数字矩阵|数字向量单元阵列

D.-最近邻居的距离数字矩阵|数字向量单元阵列

提示

算法

选择功能

参考

扩展功能

高阵列使用比内存更多的阵列计算更多行的阵列。

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

GPU数组使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。

也可以看看

话题

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

`X`-输入数据
数字矩阵

`y`-查询点
数字矩阵

`'K'`-最近邻居的数量
`1`(默认)|正整数

`'Includeties'`-标志包含所有最近的邻居
`错误的`（`0.`）(默认)|`真正的`（`1`）

`'nsmethod'`-最近邻搜索法
`'kdtree'`|`“详尽”`

`“距离”`-距离度量
`“欧几里得”`(默认)|`“seuclidean”`|`“cityblock”`|`'chebbychev'`|`闵可夫斯基的`|`“mahalanobis”`|功能手柄|……

`'P'`-用于Minkowski距离度量的指数
`2`(默认)|正标量

`“浸”`-马氏距离度量的协方差矩阵
`COV（x，'omitrows'）`(默认)|正定矩阵

`“规模”`-尺度参数值的标准欧几里得距离度量
`std（x，'omitnan'）`(默认)|非负数字矢量

`“BucketSize”`-的叶节点中数据点的最大个数K.d-tree
`50`(默认)|正整数

`'sortindices'`-标志根据距离对返回的指数进行排序
`真正的`（`1`）(默认)|`错误的`（`0.`）

`Idx`—输入最近邻居的数据索引
数字矩阵|数字向量单元阵列

`D.`-最近邻居的距离
数字矩阵|数字向量单元阵列

高阵列
使用比内存更多的阵列计算更多行的阵列。

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU数组
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。