ユークリッド距離を使用する 4 次元のKd 木を成長させます。

フィッシャーのアヤメのデータセットを読み込みます。

loadfisheririsX =量;(n, k)大小(X) =

n = 150

k = 4

Xには 150 個の観測値と 4 つの予測子があります。

データセット全体を学習データとして使用して、4 次元のKd 木を成長させます。

Mdl1 = KDTreeSearcher(X)

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

Mdl1はKDTreeSearcherモデル オブジェクトで、プロパティがコマンド ウィンドウに表示されます。このオブジェクトには、距離計量など、成長した 4 次元Kd 木に関する情報が格納されています。プロパティの値は、ドット表記を使用して変更できます。

または、creatensを使用してKd 木を成長させることができます。

Mdl2 = createns(X)

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

Mdl2はKDTreeSearcherモデル オブジェクトでもあり、Mdl1と等価です。Xには 4 つの列があり、既定の距離計量はユークリッドであるため、creatensは既定ではKDTreeSearcherモデルを作成します。

一連のクエリ データに対する最近傍をXから探索するには、KDTreeSearcherモデル オブジェクトとクエリ データをknnsearchまたはrangesearchに渡します。

フィッシャーのアヤメのデータを読み込みます。花弁の寸法に焦点を当てます。

loadfisheririsX = meas(:,[3 4]);% Predictors

creatensと学習データを使用して 2 次元のKd 木を成長させます。ミンコフスキー距離計量を指定します。

Mdl = createns(X,'Distance','Minkowski')

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

Xには 2 つの列があり、距離計量がミンコフスキーであるため、creatensは既定ではKDTreeSearcherモデル オブジェクトを作成します。

ドット表記を使用してMdlのプロパティにアクセスします。たとえば、Mdl。DistParameterを使用してミンコフスキー距離指数にアクセスします。

Mdl。DistParameter

ans = 2

クエリ データとMdlは、次の関数に渡すことができます。

ドット表記を使用して、KDTreeSearcherモデル オブジェクトを作成し、Distanceプロパティを変更します。

フィッシャーのアヤメのデータセットを読み込みます。

loadfisheririsX =量;

データセット全体を学習データとして使用して、既定の 4 次元Kd 木を成長させます。

Mdl = KDTreeSearcher(X)

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

近傍探索モデルでミンコフスキー尺度を使用して学習データとクエリ データの間の距離を計算するように指定します。

Mdl。Distance ='minkowski'

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

Mdlとクエリ データをknnsearchまたはrangesearchのいずれかに渡すと、ミンコフスキー距離に基づいてクエリ データ内の点に対する最近傍を求めることができます。

関数creatensを使用して、Kd 木最近傍探索モデル オブジェクトを成長させます。k最近傍を探索するため、オブジェクトとクエリ データを関数knnsearchに渡します。

フィッシャーのアヤメのデータセットを読み込みます。

loadfisheriris

クエリ セットとして使用するため、5 つのアヤメのデータを無作為に予測子データから抽出します。

rng(1);% For reproducibilityn = size(meas,1);% Sample sizeqIdx = randsample(n,5);% Indices of query datatIdx = ~ismember(1:n,qIdx);% Indices of training dataQ = meas(qIdx,:); X = meas(tIdx,:);

学習データを使用して 4 次元のKd 木を成長させます。最近傍の探索にミンコフスキー距離を指定します。

Mdl = createns(X,'Distance','minkowski')

Mdl = KDTreeSearcher with properties: BucketSize: 50 Distance: 'minkowski' DistParameter: 2 X: [145x4 double]

Xには 4 つの列があり、距離計量がミンコフスキーであるため、既定ではcreatensはKDTreeSearcherモデル オブジェクトを作成します。既定では、ミンコフスキー距離の指数は2です。

求める学習データ (Mdl。X) のインデックスは、クエリ データ (Q) の各点における 2 つの最近傍です。

IdxNN =knnsearch(Mdl,Q,'K',2)

IdxNN =5×217 4 6 2 1 12 89 66 124 100

IdxNNの各行はクエリ データの観測値に、列の順序は距離の昇順で並べ替えた最近傍の順序に対応しています。たとえば、ミンコフスキー距離に基づくと、Q(3,:)の 2 番目の最近傍はX(12,:)になります。