knnsearch
입력 데이터를 사용하여 k-최근접이웃 찾기
설명
예제
hospital 데이터 세트에서 연령과 체중을 기준으로 Y의 환자와 가장 유사한 환자를 찾습니다.
hospital 데이터 세트를 불러옵니다.
load hospital; X = [hospital.Age hospital.Weight]; Y = [20 162; 30 169; 40 168; 50 170; 60 171]; % New patients
X와 Y 간에 knnsearch를 수행하여 최근접이웃의 인덱스를 찾습니다.
Idx = knnsearch(X,Y);
X에서 연령과 체중을 기준으로 Y의 환자와 가장 근접한 환자를 찾습니다.
X(Idx,:)
ans = 5×2
25 171
25 171
39 164
49 170
50 172
Y의 각 점에 가장 근접한 10개의 최근접이웃을 X에서 찾되, 먼저 민코프스키(Minkowski) 거리 측정법을 사용하여 찾아본 후 체비쇼프(Chebychev) 거리 측정법을 사용하여 찾아보겠습니다.
피셔(Fisher)의 붓꽃 데이터 세트를 불러옵니다.
load fisheriris X = meas(:,3:4); % Measurements of original flowers Y = [5 1.45;6 2;2.75 .75]; % New flower data
민코프스키 거리 측정법과 체비쇼프 거리 측정법을 사용하여 X와 쿼리 점 Y 간에 knnsearch를 수행합니다.
[mIdx,mD] = knnsearch(X,Y,'K',10,'Distance','minkowski','P',5); [cIdx,cD] = knnsearch(X,Y,'K',10,'Distance','chebychev');
두 개의 최근접이웃 탐색 결과를 시각화합니다. 훈련 데이터를 플로팅합니다. 마커 X로 쿼리 점을 플로팅합니다. 원을 사용하여 민코프스키 최근접이웃을 표시합니다. 펜타그램을 사용하여 체비쇼프 최근접이웃을 표시합니다.
gscatter(X(:,1),X(:,2),species) line(Y(:,1),Y(:,2),'Marker','x','Color','k',... 'Markersize',10,'Linewidth',2,'Linestyle','none') line(X(mIdx,1),X(mIdx,2),'Color',[.5 .5 .5],'Marker','o',... 'Linestyle','none','Markersize',10) line(X(cIdx,1),X(cIdx,2),'Color',[.5 .5 .5],'Marker','p',... 'Linestyle','none','Markersize',10) legend('setosa','versicolor','virginica','query point',... 'minkowski','chebychev','Location','best')
2개의 큰 점 행렬을 만든 다음 knnsearch가 디폴트 "euclidean" 거리 측정법을 사용하여 실행에 소요한 시간을 측정합니다.
rng default % For reproducibility N = 10000; X = randn(N,1000); Y = randn(N,1000); Idx = knnsearch(X,Y); % Warm up function for more reliable timing information tic Idx = knnsearch(X,Y); standard = toc
standard = 20.0400
다음으로, knnsearch가 "fasteuclidean" 거리 측정법을 사용하여 실행에 소요한 시간을 측정합니다. 캐시 크기를 100으로 지정합니다.
Idx2 = knnsearch(X,Y,Distance="fasteuclidean",CacheSize=100); % Warm up function tic Idx2 = knnsearch(X,Y,Distance="fasteuclidean",CacheSize=100); accelerated = toc
accelerated = 2.0339
가속화된 계산이 표준과 비교하여 몇 배 더 빠른지 평가합니다.
standard/accelerated
ans = 9.8531
이 예제의 경우 가속화된 버전은 3배 이상 빠릅니다.
입력 인수
이름-값 인수
출력 인수
팁
고정된 양의 정수 k에 대해
knnsearch는 X에서Y의 각 점에 가장 가까운k개 점을 찾습니다.X에서Y의 각 점으로부터 일정한 거리 내에 있는 모든 점을 찾으려면rangesearch를 사용하십시오.knnsearch는 탐색 객체를 저장하지 않습니다. 탐색 객체를 생성하려면createns를 사용하십시오.
알고리즘
대체 기능
knnsearch 함수의 'NSMethod' 이름-값 쌍의 인수를 적합한 값(완전 탐색 알고리즘의 경우 'exhaustive' 또는 Kd-트리 알고리즘의 경우 'kdtree'임)으로 설정하는 경우, 탐색 결과는 knnsearch 객체 함수를 사용하여 거리 탐색을 수행하여 구한 결과와 일치합니다. knnsearch 함수와 다르게 knnsearch 객체 함수를 사용하려면 ExhaustiveSearcher 모델 객체 또는 KDTreeSearcher 모델 객체가 필요합니다.
Simulink 블록
k-최근접이웃 탐색을 Simulink®에 통합하려면 Statistics and Machine Learning Toolbox™ 라이브러리의 KNN Search 블록을 사용하거나 MATLAB Function 블록에 knnsearch 함수를 사용할 수 있습니다. 예제는 Predict Class Labels Using MATLAB Function Block 항목을 참조하십시오.
어떤 접근법을 사용할지 결정할 때는 다음을 고려하십시오.
Statistics and Machine Learning Toolbox 라이브러리 블록을 사용하는 경우, 고정소수점 툴 (Fixed-Point Designer)을 사용하여 부동소수점 모델을 고정소수점 모델로 변환할 수 있습니다.
MATLAB Function 블록에
knnsearch함수를 사용하려면 이 블록에 대해 가변 크기 배열 지원이 활성화되어 있어야 합니다.
참고 문헌
[1] Albanie, Samuel. Euclidean Distance Matrix Trick. June, 2019. Available at https://samuelalbanie.com/files/Euclidean_distance_trick.pdf.
[2] Friedman, J. H., J. Bentley, and R. A. Finkel. “An Algorithm for Finding Best Matches in Logarithmic Expected Time.” ACM Transactions on Mathematical Software 3, no. 3 (1977): 209–226.
확장 기능
버전 내역
R2010a에 개발됨참고 항목
createns | knnsearch | ExhaustiveSearcher | KDTreeSearcher | hnswSearcher | rangesearch
