KDTreeSearcher 详解

KDTreeSearcher 详解

KDTreeSearcher模型对象存储使用Kd-tree算法的最近邻居搜索的结果。 结果包括训练数据，距离度量及其参数，以及每个叶节点中数据点的最大数量（即存储桶大小）。 Kd树算法通过将K维空间中的n个点递归地分割为二叉树来对n×K数据集进行分区。
创建KDTreeSearcher模型对象后，可以通过使用knnsearch执行最近的邻居搜索或使用rangesearch进行半径搜索来搜索存储的树以找到查询数据的所有相邻点。 当K较小（即K≤10），训练和查询集不稀疏（稀疏矩阵（英语：sparse matrix），在数值分析中，是其元素大部分为零的矩阵。反之，如果大部分元素都非零，则这个矩阵是稠密的）且训练和查询集有很多观察结果时，Kd-tree算法比穷举搜索算法更有效。

创建

使用createns函数或KDTreeSearcher函数（在此进行描述）创建KDTreeSearcher模型对象。 这两个函数使用相同的语法，不同之处在于createns函数具有“ NSMethod”名称/值对参数，您可以使用它来选择最近的邻居搜索方法。 createns函数还创建一个ExhaustiveSearcher对象。 指定“ NSMethod”，“ kdtree”以创建KDTreeSearcher对象。 如果K≤10，则默认值为“ kdtree”，训练数据不稀疏，距离度量为欧几里得，城市街区，切比雪夫或Minkowski。

语法

Mdl = KDTreeSearcher(X)
Mdl = KDTreeSearcher(X,Name,Value)
解析
Mdl = KDTreeSearcher(X)
使用训练数据（X）的n×K数字矩阵来生长默认的Kd树（Mdl）。
Mdl = KDTreeSearcher(X,Name,Value)
使用一个或多个名称-值对参数指定其他选项。 您可以在每个叶节点中指定最大数据点数（即存储桶大小）和距离度量，并设置距离度量参数（DistParameter）属性。 例如，KDTreeSearcher（X，‘Distance’，‘minkowski’，‘BucketSize’，10）指定在搜索最近的邻居时使用Minkowski距离，并使用10作为存储桶大小。 要指定DistParameter，请使用P名称/值对参数。

X — Training data
numeric matrix
训练Kd树的训练数据，指定为数字矩阵。 X具有n行，每行对应于一个观察值（即一个实例或示例），以及K列，每列对应于一个预测变量（即一个要素）。
名称-值对参数
指定可选的逗号分隔的名称，值参数对。 Name是参数名称，Value是相应的值。 名称必须出现在引号中。 您可以按任意顺序将多个名称和值对参数指定为Name1，Value1，…，NameN，ValueN。