回答情况：
提问时间：
问题标签：
实际上，我正在处理高维数据(~50.000~100.000功能)，必须对其执行最近邻搜索。我知道KD树的性能随着维数的增长而下降，而且我也读过，一般来说，所有的空间分区数据结构都倾向于对高维数据执行详尽的搜索。此外，还有两个重要的事实需要考虑(按相关性排列)：
速度：搜索必须尽可能快。(创建数据结构的时间并不重要)。如果使用aNN (近似最近邻)方法更好，那么将其设置得尽可能准确吗？
浏览 6修改于2016-12-19得票数 4
回答已采纳
我已经写了一个程序来计算冲浪特征，然后使用FLANN(最近邻居的快速库)来匹配和显示最近的邻居。现在，FLANN的使用可以被认为是使用机器学习，因为据我所知，它是k最近邻搜索的近似版本，被认为是机器学习算法(监督学习)。
浏览 1修改于2011-07-07得票数 1
不幸的是，大多数近似最近邻(ann)搜索库只支持搜索一个字段。我尝试使用PostgreSQL和多维数据集扩展来过滤多个向量相似点。不幸的是，向量的数量(100米)对PostgreSQL来说太高了。问题：是否也可以加权每个向量场与搜索的相关性？
浏览 0提问于2021-11-03得票数 1
从而可以在不重建整个树的情况下计算新查询的最近邻居。在R中有这样的函数吗？
我正在寻找一个函数，它返回一个数据结构，当新数据到达时，我可以增量地更新该数据结构，以执行近似的K近邻搜索。
浏览 2修改于2012-08-31得票数 39
假设我已经根据一些哈希构建了一个LSH数据库，现在我开始查询该数据库，以找到近似的最近邻居。
当您计算查询点的散列时，对应的桶是空的，有什么指导方针吗？类似地，假设我想找到5个近似的近邻，而桶只有4个其他的数据点？
浏览 4提问于2016-12-18得票数 1
回答已采纳
而我正在寻找的另一个算法:一个免费的C/C++实现的到最近邻居的平均距离问题。
所以基本上我在3D中有一个点的云，我想要所有点和它们各自最近的邻居之间的距离的平均值。因此，最简单的方法是为每个点找到最近的邻居，计算该邻居到该点的距离，然后将这些距离的总和除以点数。然而，还有更好的算法，因为这有很多冗余，近似值运行得更快。如果可以，则为ε近似值。
浏览 1修改于2011-09-07得票数 1
Lucene最近在原有分支的基础上，为Lucene 9.0.0添加了HNSW近似最近邻搜索(ANN)。我注意到在query方法下有一个成员query：。那能用来过滤吗？
浏览 19修改于2022-02-04得票数 0
我发现了大量的讨论和文章，可以在三维空间坐标中使用局部性敏感散列(LSH)找到近邻。不幸的是，我没有找到任何真正的工作例子，在那里一切都可以用一个复制粘贴代码来完成。我正在使用C# (更具体地说，统一)，并注意到一些文章指出，近似NNS可以作为游戏开发的快速方法。但是，我还没有找到任何真正的C#实现(如果C#不存在，也可能是C++ )。
浏览 2修改于2015-01-20得票数 2
回答已采纳
由于我希望能够使用近似最近邻算法，所以我运行以下命令
为维2创建空间搜索索引(它具有较高的熵)。(这可能需要一些时间)
创建近似近邻索引..。
浏览 6提问于2021-12-22得票数 0
回答已采纳
在我的研究项目中，我使用python作为python中的近似最近邻(ANN)。我遵循的代码相同的作者(Pynndescent)。
浏览 6提问于2021-11-15得票数 0
我试图在C++中实现一个Kd树来执行最近邻和近似最近邻搜索。到目前为止，我遇到了两个版本的最基本的Kd树。
浏览 1修改于2013-01-12得票数 7
回答已采纳
对于类似于最近邻搜索的问题，我正在寻找一种每次查询时间最快的算法，但有两个不同之处：
我想要比近似最近的邻居库()更好的吞吐量，它看起来更适合单个查询。
浏览 3修改于2020-09-21得票数 1
回答已采纳
是否存在支持删除和添加操作以及精确的最近邻查询的最近邻数据结构？在理想情况下寻找Python实现。
在高维空间中找到了许多近似最近邻查询的实现。
浏览 2修改于2017-04-30得票数 0
我想在我的拉撒路代码中使用'‘库(近似最近邻)中的函数。这个应用程序是用C++编写的，并附带源代码。如何从Lazarus/FreePascal中访问函数？
浏览 0修改于2011-08-11得票数 0
回答已采纳
我想知道将向量存储在哪个结构中，以便能够快速解决最近邻或近似最近邻问题。我将使用欧几里得、曼哈顿、最大和加权曼哈顿度量。此外，向量不需要保持它们的近似位置或规模。整个结构可以通过R^n“旅行”。
问题是，为了保持kd-tree的高性能，人们需要时不时地进行重新平衡。此操作可能与重新构建整个树一样昂贵。
浏览 0提问于2013-01-04得票数 2
回答已采纳
我不确定为什么弯曲法是确定DBSCAN算法的epsilon值的近似正确方法。例如，在下面的示例中：我考虑了距离第五个最近邻居的距离，并且这些点是从第五个邻居距离最小的一个到距离第五个邻居最远的一个。
我考虑了欧几里德距离的情节。例如，我知道点0-20是最接近它们的第5个最近邻居的点，那么肘部的点是离它们的第5个最近邻居中等距离的点，所以它们的密度是中等的。然后我们到达密度非常低的点，远离他们最近的第五个邻居。但是我不能理解为什么选择epsilon的值作为epsilon的值是合理的，也就是肘部第k个最近邻
浏览 7提问于2021-11-17得票数 1
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号