kdtree作為乙個樹的結構，通常用來做高維的分割。在分割成為樹的時候，保證下一層節點的比較位如果小於當前的比較位，則向左生長，否則向右生長。所謂的比較位就是當前層數%總的維度，例如三維座標，第一層就是x，第二層就是y，第三層就是z。直接看圖
圖中每一層的比較位用加粗表示了，看第一層，比較位是第一位，也就是3，（2,3,7）中2>3，所以像左生長，(4,3,4)中4>3所以向右生長。
到了第二層，這裡只看(2,3,7),他的比較位是y也就是3了，那麼(2,1,3)中1<3所以像左生長，(2,,4,5)中4>3所以想向右生長。
至於kdtree是怎麼訓練出來能夠做到盡量平衡的，就是通過傳統的決策樹的演算法，算出資訊熵決定的。如果撿到乙個就分乙個會很可能極度不平衡，搜尋的時候可能會搜尋非常深，但是即使用了決策樹的演算法，也不可能是完全平衡的，只是乙個最優解而已。
K近鄰與KdTree的簡單理解
k近鄰演算法是一種簡單有效的分類與回歸方法。其基本思想是 給定乙個訓練用的資料集，對於新的輸入例項，在訓練資料中找到與該例項最為相似或者接近的k個例項，通過某種表決規則，比如這k個例項的多數類別為某個類a，就把這個新輸入的例項類別歸為這個類a k近鄰演算法是很簡單與直觀的。只需要通過簡單的距離度量，...
KD tree學習筆記
如上圖 a 我們先對待識別的物體的影象進行sift特徵點的檢測和特徵點的描述，然後得到了sift特徵點集合。接下來生成物體目標描述要做的就是對特徵點集合進行資料組織，形成一種特殊的表示，其作用是為了加速特徵點匹配的過程。所謂的特徵點匹配本質上是乙個通過距離函式 例如歐式距離 在高維向量之間進行相似性...
學習筆記 kd tree
kd tree用來維護n維空間中的點的一種資料結構。支援插入 刪除 查詢k臨近 包括最遠點對和最近點對 kd tree本質是一顆二叉樹。每一層選擇乙個維度，找到當前維度的中點 讓樹盡量平衡 經過這個點，在當前維度切割，分成左右兩個子樹。通常維度的選擇是順次迴圈的，較易實現。更優的方法是找到方差最大的...