knnsearch接受ExhaustiveSearcher或KDTreeSearcher建模对象以搜索训练数据，寻找与查询数据最近的邻居。一个ExhaustiveSearcher模型调用穷举搜索器算法，并且KDTreeSearcher模型定义了Kd-tree,knnsearch用于搜索最近的邻居。

加载费雪的虹膜数据集。从数据中随机保留5个观测值作为查询数据。

负载fisheririsrng (1);%用于再现性N = size(meas,1);Idx = randsample(n,5);X = meas(~ismember(1:n,idx)，:);培训数据Y = meas(idx，:);%查询数据

的变量量包含4个预测器。

生长一个默认的四维空间Kd-tree。

MdlKDT = KDTreeSearcher(X)

MdlKDT = KDTreeSearcher with properties: BucketSize: 50 Distance: 'euclidean' DistParameter: [] X: [145x4 double]

MdlKDT是一个KDTreeSearcher模型对象。您可以使用点表示法更改其可写属性。

准备一个详尽的最近邻搜索器。

MdlES =枯竭搜索器(X)

MdlES =筋疲力尽的搜索器属性:距离:'欧几里得' DistParameter: [] X: [145x4 double]

MdlKDT是一个ExhaustiveSearcher模型对象。它包含用于查找最近邻居的选项，如距离度量。

或者，你也可以种一种KD-tree或准备穷尽最近邻搜索器使用createns．

在训练数据中搜索与每个查询观察相对应的最近邻居指数。使用默认设置执行两种类型的搜索。缺省情况下，每个查询观察要搜索的邻居数为1．

IdxKDT = knnsearch(MdlKDT,Y);IdxES = knnsearch(MdlES,Y);[IdxKDT idx]

ans =5×217 17 6 6 1 1 89 89 124 124

在本例中，搜索结果是相同的。

种植K对象的d-树最近邻搜索器对象createns函数。对象传递对象和查询数据给knnsearch函数查找k最近的邻居。

加载费雪的虹膜数据集。

负载fisheriris

从预测器数据中随机移除5个虹膜作为查询集。

rng (1);%用于再现性N = size(meas,1);%样本量qIdx = randsample(n,5);%查询数据的索引tIdx = ~ismember(1:n,qIdx);%培训数据指标Q = meas(qIdx，:);X = meas(tIdx，:);

培育一个四维空间Kd-树使用训练数据。指定寻找最近邻居的闵可夫斯基距离。

Mdl = createns(X，“距离”，闵可夫斯基的）

Mdl = KDTreeSearcher与属性:BucketSize: 50距离:'minkowski' DistParameter: 2 X: [145x4 double]

因为X有四列，距离度量是闵可夫斯基，createns创建一个KDTreeSearcher默认为模型对象。闵可夫斯基距离指数为2默认情况下。

找到训练数据的索引(Mdl。X)，它们是查询数据中每个点的两个最近邻居(问)．

IdxNN = knnsearch(Mdl,Q，“K”，2)

IdxNN =5×217 4 6 2 1 12 89 66 124 100

每行IdxNN对应于一个查询数据观察，列的顺序对应于最近的邻居的顺序，相对于上升的距离。例如，基于闵可夫斯基距离，的次近邻问(3:)是: X(12日)．

加载费雪的虹膜数据集。

负载fisheriris

从预测器数据中随机移除5个虹膜作为查询集。

rng (4);%用于再现性N = size(meas,1);%样本量qIdx = randsample(n,5);%查询数据的索引X = meas(~ismember(1:n,qIdx)，:);Y = meas(qIdx，:);

培育一个四维空间Kd-树使用训练数据。指定寻找最近邻居的闵可夫斯基距离。

Mdl = KDTreeSearcher(X);

Mdl是一个KDTreeSearcher模型对象。默认情况下，寻找最近邻居的距离度量是欧几里得度量。

找到训练数据的索引(X)，它们是查询数据中每个点的七个最近邻居(Y)．

[Idx D] = knnsearch (Mdl Y“K”7“IncludeTies”,真正的);

Idx而且D是由向量组成的五元单元数组，每个向量至少有七个元素。

中显示向量的长度Idx．

cellfun (“长度”Idx)

ans =5×18 7 7 7 7 7

因为细胞1包含长度大于的向量k= 7，查询观察1 (Y (1:))同样接近于中至少两个观测值X．

显示最近邻居的索引Y (1:)以及它们的距离。

nn5 = Idx{1}

nn5 =1×891 98 67 69 71 93 88 95

nn5d = D{1}

nn5d =1×80.1414 0.2646 0.2828 0.3000 0.3464 0.3742 0.3873 0.3873

培训的观察88而且95是否距离查询观测值0.3873 cm1．

火车两KDTreeSearcher模型使用不同的距离度量，并进行比较k-两个模型查询数据的最近邻。

负载fisheririsX = meas(:，3:4);%预测Y =物种;%响应

KDTreeMdl = KDTreeSearcher(X，“距离”，闵可夫斯基的，“P”5)

KDTreeMdl = KDTreeSearcher与属性:BucketSize: 50距离:'minkowski' DistParameter: 5 X: [150x2 double]

Newpoint = [5 1.45];[IdxMk,DMk] = knnsearch(KDTreeMdl,newpoint，“k”10);[IdxCb,DCb] = knnsearch(KDTreeMdl,newpoint，“k”10“距离”，“chebychev”）;

图;gscatter (X (: 1) X (:, 2), Y);标题(Fisher的虹膜数据——最近的邻居）;包含(“花瓣长度(厘米)”）;ylabel (“花瓣宽度(厘米)”）;持有在情节(newpoint (1) newpoint (2),“kx”，“MarkerSize”10“线宽”2);%查询点情节(X (IdxMk, 1), X (IdxMk, 2),“o”，“颜色”,(。5 .5 .5]，“MarkerSize”10);最近的邻居情节(X (IdxCb, 1), X (IdxCb, 2),“p”，“颜色”,(。5 .5 .5]，“MarkerSize”10);契比契夫最近的邻居传奇(“setosa”，“多色的”，“virginica”，“查询点”，.．.闵可夫斯基的，“chebychev”，“位置”，“最佳”）;

H = gca;获取当前轴句柄。h.XLim = [4.5 5.5];h.YLim = [1 2];轴广场；