mlpack一个C++机器学习库_前端开发者

https://www.rokub.com

简介mlpack是一个C++机器学习库，侧重于可扩展性、速度和易用性。
它的目的是通过一个简单的、前后一致的API让新用户使用机器学习成为可能，同时利用C++语言特征为专家用户提供最好的性能和最大的灵活性。
这些通过提供一系列命令行执行程序完成，就像使用一个黑箱，而且专家用户和研究者可以容易的更改一个模块化的C++API的内部算法。
这种方法的结果就是mlpack的性能大幅度超过其他竞争的机器学习库；在theBigLearningworkshoppaper和thebenchmarksfordetails查看细节。
mlpack由全世界的贡献者开发。
基于伯克利发行软件许可的第三个条款免费发行。
（比1.0.12更老的版本基于GNU通用公共授权规定发行：LGPL，第3版。
）安装mlpack存储在许多Linux的发行版本中，所以在你的系统中使用程序包管理器可能更容易一些。
例如：在Ubuntu上，你可以使用下面的命令安装mlpack。
$sudoapt-getinstalllibmlpack-dev1$sudoapt-getinstalllibmlpack-dev如果mlpack不能在你的系统的程序包管理器中使用，那么你可以按照下面的步骤编译和安装mlpack源文件。
Mlpack使用CMake作为生成系统，允许几个灵活的生成配置选项。
你可以查询大量的CMake教程得到更多的文件，但是这个教程应该足够让你在大多数Linux和类UNIX系统中（包括OSX）成功生成和安装mlpack。
如果你想在Windows操作系统中生成mlpack，请看这里。
首先下载mlpack。
当mlpack的源文件完成解压，你可以创建一个生成目录。
$cdmlpack-2.2.5$mkdirbuild12$cdmlpack-2.2.5$mkdirbuild这个目录可以是任何名字，不仅仅是“build”，但是“build”足够了。
mlpack依赖项mlpack依赖下面的库，它们需要被安装在系统中并有一些头文件出现。
Armadillo>=4.200.0（支持LAPACK（线性代数程序包）)Boost（math_c99,program_options,serialization,unit_test_framework,heap,spirit）>=1.49在Ununtu和Debian中，你可以通过apt获得所有这些依赖项：#apt-getinstalllibboost-math-devlibboost-program-options-devlibboost-test-devlibboost-serialization-devlibarmadillo-devbinutils-dev12#apt-getinstalllibboost-math-devlibboost-program-options-devlibboost-test-devlibboost-serialization-devlibarmadillo-devbinutils-dev在Fedora、RedHat或CentOS上，这些相同的依赖项可以通过dnf获得：#dnfinstallboost-develboost-testboost-program-optionsboost-matharmadillo-develbinutils-devel12#dnfinstallboost-develboost-testboost-program-optionsboost-matharmadillo-develbinutils-devel配置CMake运行CMake相当于使用autotools运行./configure。
如果你工作中使用mlpack的svntrunk版本，且不带任何选项运行CMake，它将配置这个生成项目带有调试符号和分析信息：如果你工作中使用发行版本的mlpack，不带任何选项运行CMake，它将配置这个生成项目不带调试符号和分析信息（为了速度）。
$cdbuild$cmake../12$cdbuild$cmake../你可以手动指定选项去编译或不编译调试信息和分析信息（也就是说尽可能快）：$cdbuild$cmake-DDEBUG=OFF-DPROFILE=OFF../12$cdbuild$cmake-DDEBUG=OFF-DPROFILE=OFF../Mlpack允许的全部选项为：DEBUG=(ON/OFF):compilewithdebuggingsymbols(defaultONinsvntrunk,OFFinreleases)PROFILE=(ON/OFF):compilewithprofilingsymbols(defaultONinsvntrunk,OFFinreleases)ARMA_EXTRA_DEBUG=(ON/OFF):compilewithextraArmadillodebuggingsymbols(defaultOFF)BUILD_TESTS=(ON/OFF):compilethemlpack_testprogram(defaultON)BUILD_CLI_EXECUTABLES=(ON/OFF):compilethemlpackcommand-lineexecutables(i.e.mlpack_knn,mlpack_kfn,mlpack_logistic_regression,etc.)(defaultON)TEST_VERBOSE=(ON/OFF):runtestcasesinmlpack_testwithverboseoutput(defaultOFF)每个选项都可以被指定给带有‘-D’标记的CMake。
其他工具也可以用于配置CMake，但是它们没有被记录在这里。
生成mlpack一旦CMake配置好，生成库就像打出‘make’一样简单。
这将生成所有库组件和‘mlpack_test’。
$makeScanningdependenciesoftargetmlpack[1%]BuildingCXXobjectsrc/mlpack/CMakeFiles/mlpack.dir/core/optimizers/aug_lagrangian/aug_lagrangian_test_functions.cpp.o<…>12345$makeScanningdependenciesoftargetmlpack[1%]BuildingCXXobjectsrc/mlpack/CMakeFiles/mlpack.dir/core/optimizers/aug_lagrangian/aug_lagrangian_test_functions.cpp.o<…>如果你不想生成每一个库，可以指定你想生成的单个组件。
$makemlpack_pcamlpack_knnmlpack_kfn1$makemlpack_pcamlpack_knnmlpack_kfn一个有趣的特殊组件是mlpack_test，它是运行mlpack的测试组件。
你可以使用这个命令生成这个组件：$makemlpack_test1$makemlpack_test然后运行所有的测试组件或单个的测试组件：$bin/mlpack_test$bin/mlpack_test-tKNNTest12$bin/mlpack_test$bin/mlpack_test-tKNNTest如果生成失败，而你不能找到为什么失败，在Github上注册一个账户，提交这个问题，mlpack的开发人员将会尽快帮你解决，或者在irc.freenode.netm上的mlpack的IRC中也可以找到mlpack的帮助。
安装mlpack如果你想将mlpack安装在/usr/include/mlpack/、/usr/lib/和/usr/bin/中，当它生成后，确保你有root权限（或向那两个目录的写入许可），然后简单的打出：#makeinstall1#makeinstall现在你可以通过名字运行可执行程序；你可以使用-lmlpack链接到mlpack，mlpack的头文件可以在目录/usr/include/mlpack/中找到。
示例最近邻搜索是一个常见的机器学习任务。
在这个背景下，我们有一个查询数据集和一个参考数据集。
对于在查询数据集中的每个点，我们希望知道参考数据集中距离给定查询点最近的k个点。
或者，如果查询和参考数据集是相同的，问题可以更简单的说明：对于每个数据集中的点，我们希望知道距离那个点最近的k个点。
Mlpack提供：一个简单的命令行程序包运行最近邻搜索（和最远邻搜索）。
一个简单的C++接口用于完成最近邻搜索（和最远邻搜索）。
一个通用的、可扩展的和强大的C++类（邻域搜索）用于复杂算法。
命令行‘mlpack_knn’在mlpack中完成最近邻搜索最简单的方式是使用mlpack_knn程序包。
这个程序将完成最近邻搜索，并将得到的邻近点放入一个文件，同时将对应的距离放入另一个文件。
输出文件被整理为第一行对应第一个被查询点的最近邻点，第一列对应最近的点，以此类推。
下面是几个简单用法的例子（和输出结果）。
由于使用了选项‘-v’，因此输出是给定的。
更多关于每个选项的文档可以通过下面这个语句找到。
$mlpack_knn–help1$mlpack_knn–help一个数据集，5个最近邻点$mlpack_knn-rdataset.csv-nneighbors_out.csv-ddistances_out.csv-k5-v[INFO]Loading’dataset.csv’asCSVdata.Sizeis3x1000.[INFO]Loadedreferencedatafrom’dataset.csv'(3×1000).[INFO]Buildingreferencetree…[INFO]Treebuilt.[INFO]Searchingfor5nearestneighborswithdual-treekd-treesearch…[INFO]18412nodecombinationswerescored.[INFO]54543basecaseswerecalculated.[INFO]Searchcomplete.[INFO]SavingCSVdatato’neighbors_out.csv’.[INFO]SavingCSVdatato’distances_out.csv’.[INFO][INFO]Executionparameters:[INFO]distances_file:distances_out.csv[INFO]help:false[INFO]info:””[INFO]input_model_file:””[INFO]k:5[INFO]leaf_size:20[INFO]naive:false[INFO]neighbors_file:neighbors_out.csv[INFO]output_model_file:””[INFO]query_file:””[INFO]random_basis:false[INFO]reference_file:dataset.csv[INFO]seed:0[INFO]single_mode:false[INFO]tree_type:kd[INFO]verbose:true[INFO]version:false[INFO][INFO]Programtimers:[INFO]computing_neighbors:0.108968s[INFO]loading_data:0.006495s[INFO]saving_data:0.003843s[INFO]total_time:0.126036s[INFO]tree_building:0.003442s12345678910111213141516171819202122232425262728293031323334353637$mlpack_knn-rdataset.csv-nneighbors_out.csv-ddistances_out.csv-k5-v[INFO]Loading’dataset.csv’asCSVdata.Sizeis3x1000.[INFO]Loadedreferencedatafrom’dataset.csv'(3×1000).[INFO]Buildingreferencetree…[INFO]Treebuilt.[INFO]Searchingfor5nearestneighborswithdual-treekd-treesearch…[INFO]18412nodecombinationswerescored.[INFO]54543basecaseswerecalculated.[INFO]Searchcomplete.[INFO]SavingCSVdatato’neighbors_out.csv’.[INFO]SavingCSVdatato’distances_out.csv’.[INFO][INFO]Executionparameters:[INFO]distances_file:distances_out.csv[INFO]help:false[INFO]info:””[INFO]input_model_file:””[INFO]k:5[INFO]leaf_size:20[INFO]naive:false[INFO]neighbors_file:neighbors_out.csv[INFO]output_model_file:””[INFO]query_file:””[INFO]random_basis:false[INFO]reference_file:dataset.csv[INFO]seed:0[INFO]single_mode:false[INFO]tree_type:kd[INFO]verbose:true[INFO]version:false[INFO][INFO]Programtimers:[INFO]computing_neighbors:0.108968s[INFO]loading_data:0.006495s[INFO]saving_data:0.003843s[INFO]total_time:0.126036s[INFO]tree_building:0.003442s在输出底部为每个不同的计算部分加入方便的程序计时器，同时也加入和仿真一起运行的参数。
现在，如果我们看看结果文件：$headneighbors_out.csv862,344,224,43,885703,499,805,639,450867,472,972,380,601397,319,277,443,323840,827,865,38,438732,876,751,492,616563,222,569,985,940361,97,928,437,79547,695,419,961,716982,113,689,843,634$headdistances_out.csv5.986076164057e-02,7.664920518084e-02,1.116050961847e-01,1.155595474371e-01,1.169810085522e-017.532635022982e-02,1.012564715841e-01,1.127846944644e-01,1.209584396720e-01,1.216543647014e-017.659571546879e-02,1.014588981948e-01,1.025114621511e-01,1.128082429187e-01,1.131659758673e-012.079405647909e-02,4.710724516732e-02,7.597622408419e-02,9.171977778898e-02,1.037033340864e-017.082206779700e-02,9.002355499742e-02,1.044181406406e-01,1.093149568834e-01,1.139700558608e-015.688056488896e-02,9.478072514474e-02,1.085637706630e-01,1.114177921451e-01,1.139370265105e-017.882260880455e-02,9.454474078041e-02,9.724494179950e-02,1.023829575445e-01,1.066927013814e-017.005321598247e-02,9.131417221561e-02,9.498248889074e-02,9.897964162308e-02,1.121202216165e-015.295654132754e-02,5.509877761894e-02,8.108227366619e-02,9.785461174861e-02,1.043968140367e-013.992859920333e-02,4.471418646159e-02,7.346053904990e-02,9.181982339584e-02,9.843075910782e-021234567891011121314151617181920212223$headneighbors_out.csv862,344,224,43,885703,499,805,639,450867,472,972,380,601397,319,277,443,323840,827,865,38,438732,876,751,492,616563,222,569,985,940361,97,928,437,79547,695,419,961,716982,113,689,843,634$headdistances_out.csv5.986076164057e-02,7.664920518084e-02,1.116050961847e-01,1.155595474371e-01,1.169810085522e-017.532635022982e-02,1.012564715841e-01,1.127846944644e-01,1.209584396720e-01,1.216543647014e-017.659571546879e-02,1.014588981948e-01,1.025114621511e-01,1.128082429187e-01,1.131659758673e-012.079405647909e-02,4.710724516732e-02,7.597622408419e-02,9.171977778898e-02,1.037033340864e-017.082206779700e-02,9.002355499742e-02,1.044181406406e-01,1.093149568834e-01,1.139700558608e-015.688056488896e-02,9.478072514474e-02,1.085637706630e-01,1.114177921451e-01,1.139370265105e-017.882260880455e-02,9.454474078041e-02,9.724494179950e-02,1.023829575445e-01,1.066927013814e-017.005321598247e-02,9.131417221561e-02,9.498248889074e-02,9.897964162308e-02,1.121202216165e-015.295654132754e-02,5.509877761894e-02,8.108227366619e-02,9.785461174861e-02,1.043968140367e-013.992859920333e-02,4.471418646159e-02,7.346053904990e-02,9.181982339584e-02,9.843075910782e-02所以对于第0点的最近邻点是第862点，距离是5.986076164057e-02。
第二近邻点是第344点，距离是7.664920518084e-02。
第5点的第三近邻点是第751点，距离是1.085637706630e-01。
查询和参考数据集，10个最近邻点$mlpack_knn-qquery_dataset.csv-rreference_dataset.csv>-nneighbors_out.csv-ddistances_out.csv-k10-v[INFO]Loading’reference_dataset.csv’asCSVdata.Sizeis3x1000.[INFO]Loadedreferencedatafrom’reference_dataset.csv'(3×1000).[INFO]Buildingreferencetree…[INFO]Treebuilt.[INFO]Loading’query_dataset.csv’asCSVdata.Sizeis3x50.[INFO]Loadedquerydatafrom’query_dataset.csv'(3×50).[INFO]Searchingfor10nearestneighborswithdual-treekd-treesearch…[INFO]Buildingquerytree…[INFO]Treebuilt.[INFO]Searchcomplete.[INFO]SavingCSVdatato’neighbors_out.csv’.[INFO]SavingCSVdatato’distances_out.csv’.[INFO][INFO]Executionparameters:[INFO]distances_file:distances_out.csv[INFO]help:false[INFO]info:””[INFO]input_model_file:””[INFO]k:10[INFO]leaf_size:20[INFO]naive:false[INFO]neighbors_file:neighbors_out.csv[INFO]output_model_file:””[INFO]query_file:query_dataset.csv[INFO]random_basis:false[INFO]reference_file:reference_dataset.csv[INFO]seed:0[INFO]single_mode:false[INFO]tree_type:kd[INFO]verbose:true[INFO]version:false[INFO][INFO]Programtimers:[INFO]computing_neighbors:0.022589s[INFO]loading_data:0.003572s[INFO]saving_data:0.000755s[INFO]total_time:0.032197s[INFO]tree_building:0.002590s12345678910111213141516171819202122232425262728293031323334353637383940$mlpack_knn-qquery_dataset.csv-rreference_dataset.csv>-nneighbors_out.csv-ddistances_out.csv-k10-v[INFO]Loading’reference_dataset.csv’asCSVdata.Sizeis3x1000.[INFO]Loadedreferencedatafrom’reference_dataset.csv'(3×1000).[INFO]Buildingreferencetree…[INFO]Treebuilt.[INFO]Loading’query_dataset.csv’asCSVdata.Sizeis3x50.[INFO]Loadedquerydatafrom’query_dataset.csv'(3×50).[INFO]Searchingfor10nearestneighborswithdual-treekd-treesearch…[INFO]Buildingquerytree…[INFO]Treebuilt.[INFO]Searchcomplete.[INFO]SavingCSVdatato’neighbors_out.csv’.[INFO]SavingCSVdatato’distances_out.csv’.[INFO][INFO]Executionparameters:[INFO]distances_file:distances_out.csv[INFO]help:false[INFO]info:””[INFO]input_model_file:””[INFO]k:10[INFO]leaf_size:20[INFO]naive:false[INFO]neighbors_file:neighbors_out.csv[INFO]output_model_file:””[INFO]query_file:query_dataset.csv[INFO]random_basis:false[INFO]reference_file:reference_dataset.csv[INFO]seed:0[INFO]single_mode:false[INFO]tree_type:kd[INFO]verbose:true[INFO]version:false[INFO][INFO]Programtimers:[INFO]computing_neighbors:0.022589s[INFO]loading_data:0.003572s[INFO]saving_data:0.000755s[INFO]total_time:0.032197s[INFO]tree_building:0.002590s一个数据集，3个最近邻点，15个点的大小$mlpack_knn-rdataset.csv-nneighbors_out.csv-ddistances_out.csv-k3-l15-v[INFO]Loading’dataset.csv’asCSVdata.Sizeis3x1000.[INFO]Loadedreferencedatafrom’dataset.csv'(3×1000).[INFO]Buildingreferencetree…[INFO]Treebuilt.[INFO]Searchingfor3nearestneighborswithdual-treekd-treesearch…[INFO]19692nodecombinationswerescored.[INFO]36263basecaseswerecalculated.[INFO]Searchcomplete.[INFO]SavingCSVdatato’neighbors_out.csv’.[INFO]SavingCSVdatato’distances_out.csv’.[INFO][INFO]Executionparameters:[INFO]distances_file:distances_out.csv[INFO]help:false[INFO]info:””[INFO]input_model_file:””[INFO]k:3[INFO]leaf_size:15[INFO]naive:false[INFO]neighbors_file:neighbors_out.csv[INFO]output_model_file:””[INFO]query_file:””[INFO]random_basis:false[INFO]reference_file:dataset.csv[INFO]seed:0[INFO]single_mode:false[INFO]tree_type:kd[INFO]verbose:true[INFO]version:false[INFO][INFO]Programtimers:[INFO]computing_neighbors:0.059020s[INFO]loading_data:0.002791s[INFO]saving_data:0.002369s[INFO]total_time:0.069277s[INFO]tree_building:0.002713s12345678910111213141516171819202122232425262728293031323334353637$mlpack_knn-rdataset.csv-nneighbors_out.csv-ddistances_out.csv-k3-l15-v[INFO]Loading’dataset.csv’asCSVdata.Sizeis3x1000.[INFO]Loadedreferencedatafrom’dataset.csv'(3×1000).[INFO]Buildingreferencetree…[INFO]Treebuilt.[INFO]Searchingfor3nearestneighborswithdual-treekd-treesearch…[INFO]19692nodecombinationswerescored.[INFO]36263basecaseswerecalculated.[INFO]Searchcomplete.[INFO]SavingCSVdatato’neighbors_out.csv’.[INFO]SavingCSVdatato’distances_out.csv’.[INFO][INFO]Executionparameters:[INFO]distances_file:distances_out.csv[INFO]help:false[INFO]info:””[INFO]input_model_file:””[INFO]k:3[INFO]leaf_size:15[INFO]naive:false[INFO]neighbors_file:neighbors_out.csv[INFO]output_model_file:””[INFO]query_file:””[INFO]random_basis:false[INFO]reference_file:dataset.csv[INFO]seed:0[INFO]single_mode:false[INFO]tree_type:kd[INFO]verbose:true[INFO]version:false[INFO][INFO]Programtimers:[INFO]computing_neighbors:0.059020s[INFO]loading_data:0.002791s[INFO]saving_data:0.002369s[INFO]total_time:0.069277s[INFO]tree_building:0.002713s更多关于选项的文档可以使用‘-help’选项找到。
‘KNN’类具体来说，‘KNN’类是一个更扩展的邻域搜索类的类型定义，使用欧氏距离查询最近邻点。
typedefNeighborSearch<nearestneighborsort,metric::euclideandistance>KNN;12typedefNeighborSearch<nearestneighborsort,metric::euclideandistance>KNN;使用KNN类相当简单。
首先，目标对象必须被构建并指定一个数据集。
然后，运行方法，返回两个矩阵：一个是最近邻点的序号，一个是最近邻点的距离。
以相同的结构输出–neighbors_file和–distances_file到命令行接口。
下面给出几个KNN使用的几个例子。
单一数据集上的5个最近邻点#includeusingnamespacemlpack::neighbor;Ourdatasetmatrix,whichiscolumn-major.externarma::matdata;KNNa(data);Thematriceswewillstoreoutputin.arma::MatresultingNeighbors;arma::matresultingDistances;a.Search(5,resultingNeighbors,resultingDistances);1234567891011121314#includeusingnamespacemlpack::neighbor;Ourdatasetmatrix,whichiscolumn-major.externarma::matdata;KNNa(data);Thematriceswewillstoreoutputin.arma::MatresultingNeighbors;arma::matresultingDistances;a.Search(5,resultingNeighbors,resultingDistances);搜索的输出存储在resultingNeighbors和resultingDistances里面。
查询和参考数据集上的10个最近邻点#includeusingnamespacemlpack::neighbor;Ourdatasetmatrices,whicharecolumn-major.externarma::matqueryData,referenceData;KNNa(referenceData);Thematriceswewillstoreoutputin.arma::MatresultingNeighbors;arma::matresultingDistances;a.Search(queryData,10,resultingNeighbors,resultingDistances);1234567891011121314#includeusingnamespacemlpack::neighbor;Ourdatasetmatrices,whicharecolumn-major.externarma::matqueryData,referenceData;KNNa(referenceData);Thematriceswewillstoreoutputin.arma::MatresultingNeighbors;arma::matresultingDistances;a.Search(queryData,10,resultingNeighbors,resultingDistances);在数据集上自然（穷举）搜索6个最近邻点这个例子使用时间度O(n^2)的自然搜索（不是树搜索）。
、#includeusingnamespacemlpack::neighbor;Ourdatasetmatrix,whichiscolumn-major.externarma::matdataset;KNNa(dataset,true);Thematriceswewillstoreoutputin.arma::MatresultingNeighbors;arma::matresultingDistances;a.Search(6,resultingNeighbors,resultingDistances);1234567891011121314#includeusingnamespacemlpack::neighbor;Ourdatasetmatrix,whichiscolumn-major.externarma::matdataset;KNNa(dataset,true);Thematriceswewillstoreoutputin.arma::MatresultingNeighbors;arma::matresultingDistances;a.Search(6,resultingNeighbors,resultingDistances);不用说，自然搜索很慢。
扩展的‘NeighborSearch’类NeighborSearch类是可扩展的，带有下列模板参数：template<typenamesortpolicy=nearestneighborsort,typenamemetrictype=mlpack::metric::euclideandistance,typenamemattype=arma::mat,template<typenametreemetrictype,typenametreestattype,typenametreemattype>classTreeType=tree::KDTree,templateclassTraversalType=TreeType<metrictype,neighborsearchstat,MatType>::templateDualTreeTraverser>>classNeighborSearch;123456789101112template<typenamesortpolicy=nearestneighborsort,typenamemetrictype=mlpack::metric::euclideandistance,typenamemattype=arma::mat,template<typenametreemetrictype,typenametreestattype,typenametreemattype>classTreeType=tree::KDTree,templateclassTraversalType=TreeType<metrictype,neighborsearchstat,MatType>::templateDualTreeTraverser>>classNeighborSearch;通过为每个模板类选择不同的内容，可以创建任意的邻域搜索对象。
注意，这些模板的每个参数都有默认值，所以不需要为每个参数赋值。
SortPolicy策略类SortPolicy模板参数允许指定NeighborSearch对象将怎样确定被搜索的每个点。
mlpack::neighbor::NearestNeighborSort类是一个被清楚记录的示例。
一个定制的SortPolicy类必须完成和NearestNeighborSort类相同的方法。
staticsize_tSortDistance(constarma::vec&list,doublenewDistance);staticboolIsBetter(constdoublevalue,constdoubleref);templatestaticdoubleBestNodeToNodeDistance(constTreeType*queryNode,constTreeType*referenceNode);templatestaticdoubleBestPointToNodeDistance(constarma::vec&queryPoint,constTreeType*referenceNode);staticconstdoubleWorstDistance();staticconstdoubleBestDistance();123456789101112131415staticsize_tSortDistance(constarma::vec&list,doublenewDistance);staticboolIsBetter(constdoublevalue,constdoubleref);templatestaticdoubleBestNodeToNodeDistance(constTreeType*queryNode,constTreeType*referenceNode);templatestaticdoubleBestPointToNodeDistance(constarma::vec&queryPoint,constTreeType*referenceNode);staticconstdoubleWorstDistance();staticconstdoubleBestDistance();mlpack::neighbor::FurthestNeighborSort类是用于创建‘KFN’类型定义类的另一个方法，和寻找最近邻点相反，它寻找最远邻点。
MetricType策略类MetricType策略类允许邻域搜索发生在任意度量空间。
mlpack::metric::LMetric是一个很好的示例实现。
一个MetricType类必须提供下列功能：Emptyconstructorisrequired.MetricType();Computethedistancebetweentwopoints.templatedoubleEvaluate(constVecType&a,constVecType&b);123456Emptyconstructorisrequired.MetricType();Computethedistancebetweentwopoints.templatedoubleEvaluate(constVecType&a,constVecType&b);在内部，NeighborSearch类保存一个MetricType类的实例（它可以在构造函数中给定）。
这对于像马氏距离这样必须存储状态（协方差矩阵）的度量是有用的（mlpack::metric::MahalanobisDistance）。
因此，你可以写一个非静态MetricType类，无缝的使用它和NeighborSearch。
MatType策略类MatType模板参数指定数据类型使用矩阵。
这个类型必须实现和Armadillo矩阵相同的操作，标准选择是arma::mat和arma::sp_mat。
TreeType策略类邻域搜索NeighborSearch类在用于搜索的树类型的选择上有很好的扩展。
这个类型必须遵循典型的mlpackTreeType策略。
典型的选择可能包含mlpack::tree::KDTree，mlpack::tree::BallTree，mlpack::tree::StandardCoverTree，mlpack::tree::RTree或mlpack::tree::RStarTree。
制作你自己的树类型用来使用NeighborSearch是很容易的。
更多细节请点击这里。
下面给出一个使用带有球树的NeighborSearch类的例子。
ConstructaNeighborSearchobjectwithballbounds.NeighborSearch<nearestneighborsort,metric::euclideandistance,arma::mat,tree::balltree>neighborSearch(dataset);1234567ConstructaNeighborSearchobjectwithballbounds.NeighborSearch<nearestneighborsort,metric::euclideandistance,arma::mat,tree::balltree>neighborSearch(dataset);TraverserType策略类邻域搜索NeighborSearch类提供的最后一个模板参数是TraverserType类。
它具有的策略是在单一树或者双树搜索模式下遍历树。
默认情况下，它被设置为使用指定TreeType（成员TreeType::DualTreeTraverser）的默认遍历器。
这个类必须实现下面两种方法：InstantiatewithagivenRuleType.TraverserType(RuleType&rule);Traversewithtwotrees.voidTraverse(TreeType&queryNode,TreeType&referenceNode);12345InstantiatewithagivenRuleType.TraverserType(RuleType&rule);Traversewithtwotrees.voidTraverse(TreeType&queryNode,TreeType&referenceNode);RuleType类用在遍历器中时提供下面的功能：Evaluatethebasecasebetweentwopoints.doubleBaseCase(constsize_tqueryIndex,constsize_treferenceIndex);Scorethetwonodestoseeiftheycanbepruned,returningDBL_MAXiftheycanbepruned.doubleScore(TreeType&queryNode,TreeType&referenceNode);123456Evaluatethebasecasebetweentwopoints.doubleBaseCase(constsize_tqueryIndex,constsize_treferenceIndex);Scorethetwonodestoseeiftheycanbepruned,returningDBL_MAXiftheycanbepruned.doubleScore(TreeType&queryNode,TreeType&referenceNode);注意任何指定的遍历器必须满足修剪双树遍历的定义，其在文章”Tree-independentdual-treealgorithms”中指定。
资源链接命令行程序参考：http://mlpack.org/docs/mlpack-2.2.5/man.html 官方网站：http://mlpack.org/ 开源地址：https://github.com/mlpack/mlpack</nearestneighborsort,metric::euclideandistance,arma::mat,tree::balltree></nearestneighborsort,metric::euclideandistance,arma::mat,tree::balltree></metrictype,neighborsearchstat</typenamesortpolicy=nearestneighborsort,typenamemetrictype=mlpack::metric::euclideandistance,typenamemattype=arma::mat,template<typenametreemetrictype,typenametreestattype,typenametreemattype></metrictype,neighborsearchstat</typenamesortpolicy=nearestneighborsort,typenamemetrictype=mlpack::metric::euclideandistance,typenamemattype=arma::mat,template<typenametreemetrictype,typenametreestattype,typenametreemattype></nearestneighborsort,metric::euclideandistance></nearestneighborsort,metric::euclideandistance>