Загрузите набор данных радужки Фишера.

load fisheriris
X = meas;
[n,k] = size(X)

n = 150

k = 4

X имеет 150 наблюдений и 4 предиктора.

Подготовка исчерпывающего поиска ближайшего соседа с использованием всего набора данных в качестве обучающих данных.

Mdl1 = ExhaustiveSearcher(X)

Mdl1 = 
  ExhaustiveSearcher with properties:

         Distance: 'euclidean'
    DistParameter: []
                X: [150x4 double]

Mdl1 является ExhaustiveSearcher объект модели и его свойства отображаются в окне команд. Объект содержит информацию о обученном алгоритме, например метрику расстояния. Можно изменить значения свойств с помощью точечной нотации.

Кроме того, можно подготовить исчерпывающий поиск ближайшего соседа с помощью createns и определение 'exhaustive' в качестве метода поиска.

Mdl2 = createns(X,'NSMethod','exhaustive')

Mdl2 = 
  ExhaustiveSearcher with properties:

         Distance: 'euclidean'
    DistParameter: []
                X: [150x4 double]

Mdl2 также является ExhaustiveSearcher объект модели, и он эквивалентен Mdl1.

Искать X для ближайших соседей к пакету данных запроса, передайте ExhaustiveSearcher объект модели и данные запроса в knnsearch или rangesearch.

Вырастите четырехмерное Kd-дерево, использующее евклидово расстояние.

Загрузите набор данных радужки Фишера.

load fisheriris
X = meas;
[n,k] = size(X)

n = 150

k = 4

X имеет 150 наблюдений и 4 предиктора.

Создание четырехмерного Kd-дерева с использованием всего набора данных в качестве обучающих данных.

Mdl1 = KDTreeSearcher(X)

Mdl1 = 
  KDTreeSearcher with properties:

       BucketSize: 50
         Distance: 'euclidean'
    DistParameter: []
                X: [150x4 double]

Mdl1 является KDTreeSearcher объект модели и его свойства отображаются в окне команд. Объект содержит информацию о выращенном четырехмерном Kd-дереве, например метрику расстояния. Можно изменить значения свойств с помощью точечной нотации.

Можно также вырастить Kd-дерево с помощью createns.

Mdl2 = createns(X)

Mdl2 = 
  KDTreeSearcher with properties:

       BucketSize: 50
         Distance: 'euclidean'
    DistParameter: []
                X: [150x4 double]

Mdl2 также является KDTreeSearcher объект модели, и он эквивалентен Mdl1. Поскольку X имеет четыре столбца, а метрика расстояния по умолчанию - евклидова, createns создает KDTreeSearcher модель по умолчанию.

Чтобы найти ближайших соседей в X в пакет данных запроса, передайте KDTreeSearcher объект модели и данные запроса в knnsearch или rangesearch.

Вырастите дерево Kd, которое использует расстояние Минковского с показателем степени пять.

Загрузите набор данных радужки Фишера. Создайте переменную для размеров лепестка.

load fisheriris
X = meas(:,3:4);

Вырастите дерево Kd. Укажите расстояние Минковского с показателем степени 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 метрика расстояния - Минковский, createns создает KDTreeSearcher по умолчанию - объект модели.

Создание исчерпывающего объекта поиска с помощью createns функция. Передача объекта и данных запроса в knnsearch функция для поиска k-ближайших соседей.

Загрузите набор данных радужки Фишера.

load fisheriris

Удалить пять ирисов случайным образом из данных предиктора для использования в качестве набора запросов.

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 исчерпывающий поиск ближайшего соседа с использованием обучающих данных. Укажите расстояние Махаланобиса для поиска ближайших соседей.

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

Mdl = 
  ExhaustiveSearcher with properties:

         Distance: 'mahalanobis'
    DistParameter: [4x4 double]
                X: [145x4 double]

Потому что метрика расстояния - Махаланобис, createns создает ExhaustiveSearcher по умолчанию - объект модели.

Программное обеспечение использует ковариационную матрицу предикторов (столбцов) в обучающих данных для вычисления расстояния Махаланобиса. 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), которые являются двумя ближайшими соседями каждой точки в данных запроса (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 запроса. Порядок столбцов соответствует порядку ближайших соседей относительно восходящего расстояния. Например, на основе метрики Махаланобиса, второго ближайшего соседа Y(3,:) является X(128,:).