Создайте самый близкий соседний объект искателя
создает любого NS
= createns(X
)ExhaustiveSearcher
или KDTreeSearcher
объект модели с помощью n-by-K числовая матрица обучающих данных X
.
задает дополнительные опции с помощью одного или нескольких аргументов пары "имя-значение". Например, можно задать NS
= createns(X
,Name,Value
)NSMethod
определить который тип объекта создать.
Загрузите ирисовый набор данных Фишера.
load fisheriris
X = meas;
[n,k] = size(X)
n = 150
k = 4
X
имеет 150 наблюдений и 4 предиктора.
Подготовьте исчерпывающего самого близкого соседнего искателя, использующего целый набор данных в качестве обучающих данных.
Mdl1 = ExhaustiveSearcher(X)
Mdl1 = ExhaustiveSearcher with properties: Distance: 'euclidean' DistParameter: [] X: [150x4 double]
Mdl1
ExhaustiveSearcher
объект модели и его свойства появляются в Командном окне. Объект содержит информацию об обученном алгоритме, таком как метрика расстояния. Можно изменить значения свойств с помощью записи через точку.
В качестве альтернативы можно подготовить исчерпывающего самого близкого соседнего искателя при помощи createns
и определение 'exhaustive'
как метод поиска.
Mdl2 = createns(X,'NSMethod','exhaustive')
Mdl2 = ExhaustiveSearcher with properties: Distance: 'euclidean' DistParameter: [] X: [150x4 double]
Mdl2
также ExhaustiveSearcher
объект модели, и это эквивалентно Mdl1
.
Искать X
для самых близких соседей пакета данных о запросе передайте ExhaustiveSearcher
объект модели и данные о запросе к knnsearch
или rangesearch
.
Вырастите четырехмерное Kd-дерево, которое использует Евклидово расстояние.
Загрузите ирисовый набор данных Фишера.
load fisheriris
X = meas;
[n,k] = size(X)
n = 150
k = 4
X
имеет 150 наблюдений и 4 предиктора.
Вырастите четырехмерное Kd-дерево с помощью целого набора данных в качестве обучающих данных.
Mdl1 = KDTreeSearcher(X)
Mdl1 = KDTreeSearcher with properties: BucketSize: 50 Distance: 'euclidean' DistParameter: [] X: [150x4 double]
Mdl1
KDTreeSearcher
объект модели и его свойства появляются в Командном окне. Объект содержит информацию о выращенном четырехмерном Kd-дереве, таком как метрика расстояния. Можно изменить значения свойств с помощью записи через точку.
В качестве альтернативы можно вырастить Kd-дерево при помощи createns
.
Mdl2 = createns(X)
Mdl2 = KDTreeSearcher with properties: BucketSize: 50 Distance: 'euclidean' DistParameter: [] X: [150x4 double]
Mdl2
также KDTreeSearcher
объект модели, и это эквивалентно Mdl1
. Поскольку X
имеет четыре столбца, и метрика расстояния по умолчанию является Евклидовой, createns
создает KDTreeSearcher
модель по умолчанию.
Найти самых близких соседей в X
к пакету данных о запросе передайте KDTreeSearcher
объект модели и данные о запросе к knnsearch
или rangesearch
.
Вырастите Kd-дерево, которое использует расстояние Минковскего с экспонентой пять.
Загрузите ирисовый набор данных Фишера. Создайте переменную для лепестковых размерностей.
load fisheriris
X = meas(:,3:4);
Вырастите Kd-дерево. Задайте расстояние Минковскего с экспонентой пять.
Mdl = createns(X,'Distance','minkowski','P',5)
Mdl = KDTreeSearcher with properties: BucketSize: 50 Distance: 'minkowski' DistParameter: 5 X: [150x2 double]
Поскольку X
имеет два столбца, и метрикой расстояния является Минковский, createns
создает KDTreeSearcher
объект модели по умолчанию.
Создайте исчерпывающий объект искателя при помощи createns
функция. Передайте объект и запросите данные к knnsearch
функционируйте, чтобы найти k - ближайших соседей.
Загрузите ирисовый набор данных Фишера.
load fisheriris
Удалите пять ирисовых диафрагм случайным образом из данных о предикторе, чтобы использовать в качестве набора запроса.
rng('default'); % For reproducibility n = size(meas,1); % Sample size qIdx = randsample(n,5); % Indices of query data X = meas(~ismember(1:n,qIdx),:); Y = meas(qIdx,:);
Подготовьте исчерпывающего самого близкого соседнего искателя, использующего обучающие данные. Задайте расстояние Mahalanobis для нахождения самых близких соседей.
Mdl = createns(X,'Distance','mahalanobis')
Mdl = ExhaustiveSearcher with properties: Distance: 'mahalanobis' DistParameter: [4x4 double] X: [145x4 double]
Поскольку метрикой расстояния является Mahalanobis, createns
создает ExhaustiveSearcher
объект модели по умолчанию.
Программное обеспечение использует ковариационную матрицу предикторов (столбцы) в обучающих данных для вычисления расстояния Mahalanobis. Чтобы отобразить это значение, используйте Mdl.DistParameter
.
Mdl.DistParameter
ans = 4×4
0.6547 -0.0368 1.2320 0.5026
-0.0368 0.1914 -0.3227 -0.1193
1.2320 -0.3227 3.0671 1.2842
0.5026 -0.1193 1.2842 0.5800
Найдите индексы обучающих данных (Mdl.X
) это - два самых близких соседа каждой точки в данных о запросе (Y
).
IdxNN = knnsearch(Mdl,Y,'K',2)
IdxNN = 5×2
5 6
98 95
104 128
135 65
102 115
Каждая строка IdxNN
соответствует наблюдению данных о запросе. Порядок следования столбцов соответствует порядку самых близких соседей относительно возрастающего расстояния. Например, на основе метрики Mahalanobis, второго самого близкого соседа Y(3,:)
X(128,:)
.
X
— Обучающие данныеОбучающие данные, заданные как числовая матрица. X
имеет строки n, каждый соответствующий наблюдению (то есть, экземпляр или пример), и столбцы K, каждый соответствующий предиктору (то есть, функция).
Типы данных: single
| double
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
NS = createns(X,'Distance','mahalanobis')
создает ExhaustiveSearcher
объект модели, который использует метрику расстояния Mahalanobis при поиске самых близких соседей.'NSMethod'
— Самый близкий соседний метод поиска'kdtree'
| 'exhaustive'
Самый близкий соседний метод поиска раньше задавал тип объекта, созданного, заданного как разделенная запятой пара, состоящая из 'NSMethod'
и 'kdtree'
или 'exhaustive'
.
'kdtree'
— createns
создает KDTreeSearcher
объект модели с помощью алгоритма d-дерева K.
'exhaustive'
— createns
создает ExhaustiveSearcher
объект модели с помощью алгоритма исчерпывающего поиска.
Значением по умолчанию является 'kdtree'
когда эти три условия верны:
В противном случае значением по умолчанию является 'exhaustive'
.
Пример: 'NSMethod','exhaustive'
'Distance'
— Метрика расстояния'euclidean'
(значение по умолчанию) | вектор символов или скаляр строки метрики расстояния называет | пользовательская функция расстоянияМетрика расстояния использовала, когда вы вызываете knnsearch
или rangesearch
найти самых близких соседей к точкам будущего запроса, заданным как разделенная запятой пара, состоящая из 'Distance'
и вектор символов или скаляр строки метрического имени расстояния или указателя на функцию.
Для обоих типов самых близких соседних искателей, createns
поддержки эти метрики расстояния.
Значение | Описание |
---|---|
'chebychev' | Расстояние Чебычева (максимум координируют различие). |
'cityblock' | Расстояние городского квартала. |
'euclidean' | Евклидово расстояние. |
'minkowski' | Расстояние Минковскего. Экспонента по умолчанию равняется 2. Чтобы задать различную экспоненту, используйте 'P' аргумент пары "имя-значение". |
Если createns
использует алгоритм исчерпывающего поиска ('NSMethod'
'exhaustive'
), затем createns
также поддержки эти метрики расстояния.
Значение | Описание |
---|---|
'correlation' | Один минус демонстрационная линейная корреляция между наблюдениями (обработанный как последовательности значений) |
'cosine' | Один минус косинус включенного угла между наблюдениями (обработанный как векторы-строки) |
'hamming' | Расстояние Хемминга, которое является процентом координат, которые отличаются |
'jaccard' | Один минус коэффициент Jaccard, который является процентом ненулевых координат, которые отличаются |
'mahalanobis' | Расстояние Mahalanobis |
'seuclidean' | Стандартизированное Евклидово расстояние |
'spearman' | Один минус порядковая корреляция демонстрационного Копьеносца между наблюдениями (обработанный как последовательности значений) |
Если createns
использует алгоритм исчерпывающего поиска ('NSMethod'
'exhaustive'
), затем можно также задать указатель на функцию для пользовательской метрики расстояния при помощи @
(например, @distfun
). Пользовательская функция расстояния должна:
Имейте форму function D2 = distfun(ZI,ZJ)
.
Возьмите в качестве аргументов:
1 K векторным ZI
содержа одну строку от X
или от точек запроса Y
, где K является количеством столбцов в X
.
m-by-K матричный ZJ
содержа несколько строк X
или Y
, где m является положительным целым числом.
Возвратите m-by-1 вектор расстояний D2
, где D2 (
расстояние между наблюдениями j
)ZI
и ZJ (
.j
,:)
Для получения дополнительной информации смотрите Метрики Расстояния.
Пример: 'Distance','minkowski'
'P'
— Экспонента для метрики расстояния Минковскего
(значение по умолчанию) | положительная скалярная величинаЭкспонента для метрики расстояния Минковскего, заданной как разделенная запятой пара, состоящая из 'P'
и положительная скалярная величина. Этот аргумент допустим только если 'Distance'
'minkowski'
.
Пример: 'P',3
Типы данных: single
| double
'Cov'
— Ковариационная матрица для метрики расстояния Mahalanobisnancov(X)
(значение по умолчанию) | положительная определенная матрицаКовариационная матрица для метрики расстояния Mahalanobis, заданной как разделенная запятой пара, состоящая из 'Cov'
и K-by-K положительная определенная матрица, где K является количеством столбцов в X
. Этот аргумент допустим только если 'Distance'
'mahalanobis'
.
Пример: 'Cov',eye(3)
Типы данных: single
| double
'Scale'
— Значение масштабного коэффициента для стандартизированной Евклидовой метрики расстоянияnanstd(X)
(значение по умолчанию) | неотрицательный числовой векторЗначение масштабного коэффициента для стандартизированной Евклидовой метрики расстояния, заданной как разделенная запятой пара, состоящая из 'Scale'
и неотрицательный числовой вектор длины K, где K является количеством столбцов в X
. Программное обеспечение масштабирует каждое различие между обучением и данными о запросе с помощью соответствующего элемента Scale
. Этот аргумент допустим только если 'Distance'
'seuclidean'
.
Пример: 'Scale',quantile(X,0.75) - quantile(X,0.25)
Типы данных: single
| double
'BucketSize'
— Максимальное количество точек данных в каждой вершине
(значение по умолчанию) | положительное целое числоМаксимальное количество точек данных в каждой вершине d-дерева K, заданного как разделенная запятой пара, состоящая из 'BucketSize'
и положительное целое число.
Этот аргумент допустим только, когда вы создаете KDTreeSearcher
объект модели.
Пример: 'BucketSize',10
Типы данных: single
| double
NS
— Самый близкий соседний искательExhaustiveSearcher
объект модели | KDTreeSearcher
объект моделиСамый близкий соседний искатель, возвращенный как ExhaustiveSearcher
объект модели или KDTreeSearcher
объект модели.
Если вы создаете самый близкий соседний объект модели искателя, можно найти соседние точки в обучающих данных к данным о запросе путем выполнения самого близкого соседнего поиска с помощью knnsearch
или поиск радиуса использование rangesearch
.
ExhaustiveSearcher
| KDTreeSearcher
| knnsearch
| rangesearch
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.