主要内容

templateKNN

k-最近邻分类器模板

折叠所有页面

语法

t = templateKNN ()
t = templateKNN(名称、值)

描述

例子

t= templateKNN ()返回一个k-最近邻(KNN)学习器模板，适用于训练集合或纠错输出码(ECOC)多类模型。

如果指定默认模板，则软件在训练期间对所有输入参数使用默认值。

指定t作为一名fitcensemble或fitcecoc．

例子

t= templateKNN (名称,值）使用由一个或多个名称-值对参数指定的附加选项创建模板。

例如，可以指定最近邻居搜索方法、要查找的最近邻居的数量或距离度量。

如果你显示t，则所有选项显示为空(［］)，但使用名称-值对参数指定的除外。在培训期间，软件对空选项使用默认值。

例子

全部折叠

打开生活的脚本

创建一个默认的k-最近的邻居模板使用fitcensemble．

载入费雪的虹膜数据集。

负载fisheriris

为5个最近邻搜索创建一个模板，并指定标准化预测器。

t = templateKNN (“NumNeighbors”，5，“标准化”, 1)
t =适合分类KNN的模板。NumNeighbors: 5 NSMethod: " Distance: " BucketSize: " IncludeTies: [] DistanceWeight: [] BreakTies: [] Exponent: [] Cov: [] Scale: [] standarzedata: 1 Version: 1 Method: 'KNN' Type: 'classification'

模板对象的所有属性都为空，除了NumNeighbors，方法，StandardizeData,类型．当你指定t作为初学者，软件用它们各自的默认值填充空属性。

指定t作为分类集成的弱学习器。

Mdl = fitcensemble(量、种类、“方法”，“子”，“学习者”t);

显示样本内(再替换)误分类错误。

L = resubLoss (Mdl)
L = 0.0600
打开生活的脚本

创建一个默认的k-最近的邻居模板使用fitcecoc．

载入费雪的虹膜数据集。

负载fisheriris

为5个最近邻搜索创建一个模板，并指定标准化预测器。

t = templateKNN (“NumNeighbors”，5，“标准化”, 1)
t =适合分类KNN的模板。NumNeighbors: 5 NSMethod: " Distance: " BucketSize: " IncludeTies: [] DistanceWeight: [] BreakTies: [] Exponent: [] Cov: [] Scale: [] standarzedata: 1 Version: 1 Method: 'KNN' Type: 'classification'

模板对象的所有属性都为空，除了NumNeighbors，方法，StandardizeData,类型．当你指定t作为初学者，软件用它们各自的默认值填充空属性。

指定t作为ECOC多类模型的二元学习者。

Mdl = fitcecoc(量、种类、“学习者”t);

默认情况下，软件会进行训练Mdl使用一对一编码设计。

显示样本内(再替换)误分类错误。

L = resubLoss (Mdl,“LossFun”，“classiferror”）
L = 0.0467

输入参数

全部折叠

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。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,…,的家．

例子:“NumNeighbors”4“距离”,“闵可夫斯基”使用Minkowski距离度量指定4个最近邻分类器模板。

决胜算法所使用的预测如果多个类具有相同的最小开销，则指定为逗号分隔的对“BreakTies”以及以下其中之一:

  • “最小”—在绑定组之间使用最小的索引。

  • “最近的”—在绑定组中使用最近邻居的类。

  • “随机”-在平局组中使用随机的平局决胜局。

在默认情况下，当多个类之间有相同数量的最近点时，就会发生平局K最近的邻居。

例子:“BreakTies”,“最近”

的叶节点中的最大数据点数kD-tree，指定为逗号分隔的对，由“BucketSize”和一个正整数。这个参数只有在NSMethod是“kdtree”．

例子:“BucketSize”,40岁

数据类型:单|双

协方差矩阵，指定为逗号分隔对，由“浸”以及计算马氏距离时表示协方差矩阵的标量值的正定矩阵。此参数仅在以下情况下有效“距离”是“mahalanobis”．

你不能同时指定“标准化”的,要么“规模”或“浸”．

数据类型:单|双

距离度量，指定为逗号分隔对，由“距离”和一个有效的距离度量名称或函数句柄。允许的距离度量名称取决于你选择的邻居搜索方法(见NSMethod）.

NSMethod 距离指标名称
详尽的 任意距离度量ExhaustiveSearcher
kdtree “cityblock”，“chebychev”，“欧几里得”,或闵可夫斯基的

此表包括的有效距离度量ExhaustiveSearcher．

距离指标名称 描述
“cityblock” 城市街区的距离。
“chebychev” 切比切夫距离(最大坐标差)。
“相关” 一减去观察值之间的样本线性相关性(作为值的序列处理)。
的余弦 1减去观测值之间夹角的余弦值(作为向量处理)。
“欧几里得” 欧氏距离。
“汉明” 汉明距离，坐标差的百分比。
“jaccard” 1减去雅卡尔系数，非零坐标差的百分比。
“mahalanobis” 马氏距离，用正定协方差矩阵计算C．的默认值C样本协方差矩阵是X，由X (X, omitrows)．指定一个不同的值C,可以使用“浸”名称-值对的论点。
闵可夫斯基的 闵可夫斯基距离。默认指数为2．要指定不同的指数，请使用“指数”名称-值对的论点。
“seuclidean” 标准化的欧氏距离。每个坐标差X查询点被缩放，也就是除以一个缩放值年代．的默认值年代标准偏差是从X，S =性病(X, omitnan)．为指定另一个值年代,可以使用规模名称-值对的论点。
“枪兵” 1减去观察值之间的样本斯皮尔曼等级相关性(作为值的序列处理)。
＠distfun

距离函数处理。distfun的形式

函数ZJ D2 = distfun(子)距离计算%．..
在哪里

  • 子是一个1——- - - - - -N包含一行的向量X或Y．

  • ZJ是一个平方米——- - - - - -N的多行矩阵X或Y．

  • D2是一个平方米——- - - - - -1距离向量D2 (k)观察距离是多少子和ZJ (k,:)．

如果您指定CategoricalPredictors作为“所有”，则默认距离度量为“汉明”．否则，默认距离度量为“欧几里得”．

定义,请参阅距离度量．

例子:“距离”,“闵可夫斯基”

数据类型:字符|字符串|function_handle

距离加权函数，指定为逗号分隔对组成“DistanceWeight”或者是函数句柄，或者是表中的一个值。

价值 描述
“平等” 没有权重
“逆” 重量是1 /距离
“squaredinverse” 重量是1 /距离2
＠fcn fcn是一个函数，它接受非负距离的矩阵，并返回包含非负距离权值的相同大小的矩阵。例如,“squaredinverse”相当于@ (d) d。^ (2)．

例子:“DistanceWeight”、“逆”

数据类型:字符|字符串|function_handle

闵可夫斯基距离指数，指定为逗号分隔对，由“指数”和一个正标量值。此参数仅在以下情况下有效“距离”是闵可夫斯基的．

例子:“指数”,3

数据类型:单|双

连接包含标志，指定为由逗号分隔的对组成“IncludeTies”以及指示是否预测包括距离值等于的所有邻居K最小距离。如果IncludeTies是真正的，预测包括所有这些邻居。否则,预测使用完全K邻居。

例子:“IncludeTies”,真的

数据类型:逻辑

最近邻搜索方法，指定为逗号分隔对组成“NSMethod”和“kdtree”或“详尽”．

  • “kdtree”-创建和使用kd树来寻找最近的邻居。“kdtree”当距离度量为以下情况之一时，为有效:

    • “欧几里得”

    • “cityblock”

    • 闵可夫斯基的

    • “chebychev”

  • “详尽”—采用穷举搜索算法。当预测一个新点的等级时xnew，软件计算所有点的距离值X来xnew寻找最近的邻居。

默认值是“kdtree”当X有10或更少的列,X是不是稀疏还是一种gpuArray，距离度规是a“kdtree”类型;否则,“详尽”．

例子:“NSMethod”、“详尽”

最近的邻居的数量X要查找以便在预测时对每个点进行分类，指定为逗号分隔对，由“NumNeighbors”和一个正整数。

例子:“NumNeighbors”,3

数据类型:单|双

距离比例尺，指定为逗号分隔对，由“规模”以及包含非负标量值的向量，其长度等于列数X．每个坐标差X而一个查询点是由对应的元素缩放的规模．此参数仅在以下情况下有效“距离”是“seuclidean”．

你不能同时指定“标准化”的,要么“规模”或“浸”．

数据类型:单|双

标记来标准化预测器，指定为逗号分隔对，由“标准化”和真正的（1)或假(0）．

如果你设置“标准化”,真的，然后软件中心和缩放预测数据的每一列(X)的列均值和标准偏差。

该软件没有标准化分类预测器，如果所有预测器都是分类的，则会抛出错误。

你不能同时指定“标准化”,1的,要么“规模”或“浸”．

将预测数据标准化是一个很好的实践。

例子:“标准化”,真的

数据类型:逻辑

输出参数

全部折叠

k神经网络分类模板适合训练集合或纠错输出代码(ECOC)多类模型，作为模板对象返回。通过t来fitcensemble或fitcecoc，分别指定如何为集成或ECOC模型创建KNN分类器。

如果你显示t，则所有未指定的选项显示为空(［］）.但是，在训练期间，软件会用相应的默认值替换空选项。

另请参阅

|||

主题

介绍了R2014a

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书