李航老師書上的的演算法說明沒怎麼看懂，看了網上的部落格，悟出一套迴圈（建立好kd樹以後的最近鄰搜尋），我想應該是這樣的（例子是李航《統計學習演算法》第三章56頁；例3.3）：
步驟結點查詢標記
棧內元素（本次迴圈結束後）
最近點最近距離說明a
bcde
fg初始化000
0000
0abd
m=空mdis = ∞
初始化：先將s所在的區域找到，將經過的各個結點依次加入棧中，將查詢標記初始化為0迴圈1
0001
000ab
m=dmdis = dis(s,d)
取出棧頂元素d，d被查詢，更新d的標記為1，計算s與d的距離，比當前最小值小，更新m=d，mdis = dis(s,d)，計算s到d的超平面的距離是否小於mdis（這裡二維就是以s為圓心，mdis為半徑的圓是否與d那維的直線相交，在這裡是相交的），小於，將d兩側的子結點加入棧，但是d兩側沒有子結點，不加20
1010
00am=d
mdis = dis(s,d)
取出棧頂元素b，b被查詢，更新b的標記為1，計算s與b的距離，不比當前最小值小，不更新，計算s到b的超平面的距離是否小於mdis，大於，那就只加入b的s那一側的子結點d，子結點d已經被標記為1，已被查詢，不加入31
1010
00cm=d
mdis = dis(s,d)
取出棧頂元素a，a被查詢，更新a的標記為1，計算s與a的距離，不比當前最小值小，不更新，計算s到a的超平面的距離是否小於mdis，小於，將a兩側的子結點加入，子結點b已經被標記為1，被查詢，不加入，子結點c標記為0，加入棧41
1110
00em=d
mdis = dis(s,d)
取出棧頂元素c，c被查詢，更新c的標記為1，計算s與c的距離，不比當前最小值小，不更新，計算s到c的超平面的距離是否小於mdis，大於，只加入c的s那側的子結點e，子結點e標記為0，沒被查詢，加入棧51
1111
00m=emdis = dis(s,e)
取出棧頂元素e，e被查詢，更新e的標記為1，計算s與e的距離，比當前最小值小，更新m=e，mdis = dis(s,d)，計算s到e的超平面的距離是否小於mdis，小於，將e兩側的子結點加入棧，但是e兩側沒有子結點，不加61
1111
00m=emdis = dis(s,e)
棧空，迴圈結束
如果有錯，還望大佬們能夠指正
利用kd樹實現最近鄰搜尋
輸入 已經構造的kd樹，目標點x 輸出 x的最近鄰 1在kd樹中找出包含目標點x的葉節點 從根結點出發，遞迴地向下訪問kd樹。若目標點x當前維的座標小於切分點的座標，則移動到左葉子結點，否則移動到右葉子結點。直到子節點為葉節點為止。2以此葉節點為 當前最近點 3遞迴地向上回退，在每個結點進行以下操作...
統計學習方法 k近鄰法
k近鄰法 knn 是一種基本的分類與回歸方法 分類這種需求，滲透到我們生活的方方面面 分類演算法可以幫助我們完成這些繁瑣的操作，並根據我們的要求不斷修正分類結果。分類演算法其實蠻多的，這裡順著書本順序，詳細講解knn演算法，再與k means k means 演算法進行簡單對比。k近鄰法是這樣乙個過...
統計學習方法 K近鄰法
k近鄰演算法簡單 直觀給定乙個訓練資料集，對新的輸入例項，在訓練資料集中找到與該例項最鄰近的k個例項，這k個例項的多數屬於某個類，就把該輸入例項分為這個類.下面先敘述k近鄰演算法，然後再討論其細節。近鄰法的特殊情況 k 1情形，稱為最近鄰演算法.對於輸入的例項點 特徵向量 x xx,最近鄰法將訓練資...