本文介绍了K-D Tree的构建过程，包括如何确定分割线、计算Node-data，以及如何在构建的K-D树上进行最邻近查找算法。通过具体的二维数据示例详细解释了每个步骤，包括节点数据结构、Split域和Node-data的计算，以及在不同子空间的递归操作。
K-d tree：是一种分割k维数据空间的数据结构，主要应用于多维空间 关键数据的搜索。
确定k维空间的分割线，画k-d树
k-d树是一个二叉树，每个节点表示一个空间范围；
每个节点中主要包含的数据结构
(1) Node-data：一组数据的中值点；
(2) Range：该节点所代表的空间范围；
(3) Split：垂直于分割超平面的方向轴序号；
(4) Left：左子树
(5) Right：右子树
(6) Parent：父节点
1. Split域的计算
计算每维（x\y\z轴）数据的方差，挑选出最大值，即该维就是split域的值。
初始化split={0,1,2,3,……}0代表x轴，1代表y轴，2代表z轴。
2. Node-data的计算
点集中按split域的值（哪个轴）排序，位于正中间的数据点即为该值；
通过该点并垂直于split的值做超平面；
此时范围空间分为左子空间和右子空间，接下来继续对左子空间和右子空间的数据点重复根节点的操作。
例：（2，3）（8，1）（5，4）（4，7）（9，6）（7，2）
（1）Split的初始值为{0，1}，因为该数据是二维数据。
计算方差：
x轴：
- 均值（2+8+5+4+9+7）/6=5.83
- 方差
[ ( 2 − 5.83 ) 2 + ( 8 − 5.83 ) 2 + ( 5 − 5.83 ) 2 + ( 4 − 5.83 ) 2 + ( 9 − 5.83 ) 2 + ( 7 − 5.83 ) 2 ] / 6 = 10.79 [(2-5.83)^2 +(8-5.83)^2+(5-5.83)^2+(4-5.83)^2+(9-5.83)^2+(7-5.83)^2] / 6=10.79 [(2−5.83)2+(8−5.83)2+(5−5.83)2+(4−5.83)2+(9
最低0.47元/天 解锁文章
扫一扫
188
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
