knnsearch接受令人疲惫的或者kdtreesearcher.模型对象，用于搜索最近邻居的训练数据到查询数据。一个令人疲惫的模型调用详尽的搜索者算法，以及一个kdtreesearcher.模型定义A.KD树，哪个knnsearch用于搜索最近的邻居。

载入费雪的虹膜数据集。从数据中随机保留5个观察值作为查询数据。

负载渔民rng (1);重复性的％1) n =大小(量;idx = randsample (n, 5);X =量(~ ismember (1: n, idx):);％培训数据y = meas（idx，:);%查询数据

变量量包含4个预测因子。

生长默认的四维KD树。

MdlKDT = KDTreeSearcher (X)

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

mdlkdt.是A.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。

mdles = utifiventsearcher（x）

mdles =具有属性的令人疲劳性研究员：距离：'euclidean'distparameter：[] x：[145x4双]

mdlkdt.是一个令人疲惫的模型对象。它包含选项，例如距离度量，用于查找最近的邻居。

或者，你可以成长一个KD-Tree或准备详尽的最近邻搜索者创造．

搜索对应于每个查询观察的最近邻居索引的培训数据。使用默认设置进行两种类型的搜索。默认情况下，每个查询观察搜索的邻居数量是1．

Idxkdt = knnsearch（mdlkdt，y）;Idxes = knnsearch（mdles，y）;[IDXKDT IDXES]

ans =.5×217 17 6 6 1 1 89 89 124 124

在这种情况下，搜索结果是相同的。

种植KD-Tree最近的邻居搜索器对象通过使用创造函数。将对象和查询数据传递给knnsearch找到的功能k最近的邻居。

载入费雪的虹膜数据集。

负载渔民

从预测器数据随机删除五个虹膜以用作查询集。

rng (1);重复性的％1) n =大小(量;％样本大小qidx = randsample（n，5）;%查询数据索引tidx =〜ismember（1：n，qidx）;%训练数据指标Q =量(qIdx:);X =量(tIdx:);

长四维KD-Tree使用培训数据。指定Minkowski距离查找最近的邻居。

mdl = createns（x，'距离'，'minkowski'）

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

因为X有四列，距离度量是minkowski，创造创造一个kdtreesearcher.默认情况下模型对象。Minkowski距离指数是2默认情况下。

找到培训数据的指标（mdl.x.）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

每一排idxnn.对应于查询数据观察，并且列顺序对应于相对于升高距离的最近邻居的顺序。例如，基于Minkowski距离，第二个最近的邻居q（3，:)是: X(12日)．

载入费雪的虹膜数据集。

负载渔民

从预测器数据随机删除五个虹膜以用作查询集。

rng (4);重复性的％1) n =大小(量;％样本大小qidx = randsample（n，5）;%查询数据索引X =量(~ ismember (1: n, qIdx):);: Y =量(qIdx);

长四维KD-Tree使用培训数据。指定Minkowski距离查找最近的邻居。

mdl = kdtreesearcher（x）;

MDL.是A.kdtreesearcher.模型对象。默认情况下，查找最近邻居的距离度量是欧几里德度量标准。

找到培训数据的指标（X)，即查询数据中每个点最近的7个邻居(Y）。

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

idx.和D是载体的五元素电池阵列，每个载体具有至少七个元素。

显示矢量的长度idx.．

cellfun ('长度'，IDX）

ans =.5×18 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:)）同样接近至少两个观察X．

显示最近邻居的索引Y (1:)他们的距离。

nn5 = idx {1}

nn5 =1×8.91 98 67 69 71 93 88 95

nn5d = d {1}

nn5d =1×8.0.1414 0.2646 0.2828 0.340 0.3464 0.3742 0.3873 0.3873

培训观察88.和95.距查询观察0.3873厘米1．

火车二kdtreesearcher.模型使用不同的距离度量，并进行比较k用于两种型号的查询数据的最佳邻居。

载入费雪的虹膜数据集。将花瓣测量视为预测因子。

负载渔民X = MEAS（：，3：4）;％预测因子y =物种;％ 回复

训练kdtreesearcher.使用预测器模型对象。用指数5指定Minkowski距离。

KDTreeMdl = KDTreeSearcher (X,'距离'，'minkowski'，“P”5)

KDTReeMDL = KDTreeSearcher具有属性：Bucketsize：50距离：'Minkowski'DistParameter：5 x：[150x2双]

找出10个最近的邻居X查询点(纽波特），首先使用Minkowski然后使用Chybochev距离指标。查询点必须具有与用于培训模型的数据相同的列维度。

newpoint = [5 1.45];[idxmk，dmk] = knnsearch（kdtreemdl，newpoint，'K'，10）;[idxcb，dcb] = knnsearch（kdtreemdl，newpoint，'K'10，'距离'，“chebychev”）;

IDXMK.和IdxCb1 × 10矩阵是否包含行索引X对应于最近的邻居纽波特使用Minkowski和Chebychev距离。元素（1,1）是最近的，元素（1,2）是下一个最近的，等等。

绘制训练数据、查询点和最近的邻居。

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（cm）'）;ylabel（'花瓣宽度（cm）'）;抓住在plot（newpoint（1），newpoint（2），'kx'，'Markersize'10，'行宽'，2）;%查询点绘图（x（idxmk，1），x（idxmk，2），“o”，'颜色'，[。5 .5 .5]，'Markersize'，10）;％Minkowski最近的邻居绘图（x（idxcb，1），x（idxcb，2），“p”，'颜色'，[。5 .5 .5]，'Markersize'，10）;％chebychev最近的邻居传奇（'setosa'，'versicolor'，'virginica'，'query point'，......'minkowski'，“chebychev”，'地点'，“最佳”）;

放大兴趣点。

H = GCA;％获取当前轴手柄。H.XLIM = [4.5 5.5];H.YLIM = [1 2];轴广场；

几个观察是相等的，这就是为什么在图中只识别了八个最近邻居的原因。