机器学习之维度灾难理解

在学习机器学习时，遇到一个维度灾难的一个说明，看着老是让人觉着别扭，不管是英文的介绍还是中文的介绍，把一些应该交代的细节忽略掉了，让人读起来很费力，我尝试重新表述一下：

在1维空间中（也就是一条直线上），有若干个点，空间长度为1(在这些点中距离最大的两个点的距离)（不带单位，反正就叫1），那么要对这些若干个点进行分类，那么根据knn算法的思路，就是找到某个点附近的几个点，然后对这几个点求平均，就得到目标值。这里对于“附近的几个点”的定义是通过距离来界定的，比如，规定距离小于d=0.1才算“附近”

定义：某个点想要成为另一个点的近邻，则这两个点的距离必须小于d=0.1

由于总空间长度是1，如果每隔距离d=0.1安放1个点，那么刚好能安放n=10=1/d个点，对于随机均匀分布在长度为1的空间上的点，要想出现点与点之间的距离小于d=0.1的情况（具有临近关心的点），那么点的个数n得大于 10 =1/d个，即n > (1/d)；

结论：
在一维的情况下，点随机均匀分布，如果想要找到满足近邻关系(距离小于d)的两个点，那么总长度为1的空间中的点数 n 必须 > (1/d)；以此推广到p维空间中，就需要n^p（n的p次幂）个点，即必须大于 (1/d)^p = (1^p)/(d^p) = 1/(d^p)个点

至于为什么一维情况下需要 n个点，p维空间下就需要n^p个点，文中没有说明，只是大致能感觉出来应该是这个样。