统计学习方法——KD树最近邻搜索
李航老师书上的的算法说明没怎么看懂，看了网上的博客，悟出一套循环（建立好KD树以后的最近邻搜索），我想应该是这样的（例子是李航《统计学习算法》第三章56页；例3.3）：
| 步骤 | 结点查询标记 | 栈内元素（本次循环结束后） | 最近点 | 最近距离 | 说明 | |||||||
| A | B | C | D | E | F | G | ||||||
| 初始化 | ABD | M=空 | Mdis = ∞ | 初始化：先将S所在的区域找到，将经过的各个结点依次加入栈中，将查询标记初始化为0 | ||||||||
| 循环 | AB | M=D | Mdis = dis(S,D) | 取出栈顶元素D，D被查询，更新D的标记为1，计算S与D的距离，比当前最小值小，更新M=D，Mdis = dis(S,D)，计算S到D的超平面的距离是否小于Mdis（这里二维就是以S为圆心，Mdis为半径的圆是否与D那维的直线相交，在这里是相交的），小于，将D两侧的子结点加入栈，但是D两侧没有子结点，不加 | ||||||||
| A | M=D | Mdis = dis(S,D) | 取出栈顶元素B，B被查询，更新B的标记为1，计算S与B的距离，不比当前最小值小，不更新，计算S到B的超平面的距离是否小于Mdis，大于，那就只加入B的S那一侧的子结点D，子结点D已经被标记为1，已被查询，不加入 | |||||||||
| C | M=D | Mdis = dis(S,D) | 取出栈顶元素A，A被查询，更新A的标记为1，计算S与A的距离，不比当前最小值小，不更新，计算S到A的超平面的距离是否小于Mdis，小于，将A两侧的子结点加入，子结点B已经被标记为1，被查询，不加入，子结点C标记为0，加入栈 | |||||||||
| E | M=D | Mdis = dis(S,D) | 取出栈顶元素C，C被查询，更新C的标记为1，计算S与C的距离，不比当前最小值小，不更新，计算S到C的超平面的距离是否小于Mdis，大于，只加入C的S那侧的子结点E，子结点E标记为0，没被查询，加入栈 | |||||||||
| M=E | Mdis = dis(S,E) | 取出栈顶元素E，E被查询，更新E的标记为1，计算S与E的距离，比当前最小值小，更新M=E，Mdis = dis(S,D)，计算S到E的超平面的距离是否小于Mdis，小于，将E两侧的子结点加入栈，但是E两侧没有子结点，不加 | ||||||||||
| M=E | Mdis = dis(S,E) | 栈空，循环结束 | ||||||||||
如果有错，还望大佬们能够指正
统计学习方法——KD树最近邻搜索的更多相关文章
- KNN算法与Kd树
最近邻法和k-近邻法 下面图片中只有三种豆,有三个豆是未知的种类,如何判定他们的种类? 提供一种思路,即:未知的豆离哪种豆最近就认为未知豆和该豆是同一种类.由此,我们引出最近邻算法的定义:为了判定未知 ...
- 从K近邻算法谈到KD树、SIFT+BBF算法
转自 http://blog.csdn.net/v_july_v/article/details/8203674 ,感谢july的辛勤劳动 前言 前两日,在微博上说:“到今天为止,我至少亏欠了3篇文章 ...
- <转>从K近邻算法、距离度量谈到KD树、SIFT+BBF算法
转自 http://blog.csdn.net/likika2012/article/details/39619687 前两日,在微博上说:“到今天为止,我至少亏欠了3篇文章待写:1.KD树:2.神经 ...
- 统计学习方法笔记 -- KNN
K近邻法(K-nearest neighbor,k-NN),这里只讨论基于knn的分类问题,1968年由Cover和Hart提出,属于判别模型 K近邻法不具有显式的学习过程,算法比较简单,每次分类都是 ...
- 从K近邻算法、距离度量谈到KD树、SIFT+BBF算法
转载自:http://blog.csdn.net/v_july_v/article/details/8203674/ 从K近邻算法.距离度量谈到KD树.SIFT+BBF算法 前言 前两日,在微博上说: ...
- 统计学习方法与Python实现（二）——k近邻法
统计学习方法与Python实现(二)——k近邻法 iwehdio的博客园:https://www.cnblogs.com/iwehdio/ 1.定义 k近邻法假设给定一个训练数据集,其中的实例类别已定 ...
- 李航统计学习方法——算法2k近邻法
2.4.1 构造kd树 给定一个二维空间数据集,T={(2,3),(5,4),(9,6)(4,7),(8,1),(7,2)} ,构造的kd树见下图 2.4.2 kd树最近邻搜索算法 三.实现算法 下面 ...
- 一看就懂的K近邻算法(KNN)，K-D树，并实现手写数字识别！
1. 什么是KNN 1.1 KNN的通俗解释 何谓K近邻算法,即K-Nearest Neighbor algorithm,简称KNN算法,单从名字来猜想,可以简单粗暴的认为是:K个最近的邻居,当K=1 ...
- 统计学习方法 | 第3章 k邻近法
第3章 k近邻法 1．近邻法是基本且简单的分类与回归方法.近邻法的基本做法是:对给定的训练实例点和输入实例点,首先确定输入实例点的个最近邻训练实例点,然后利用这个训练实例点的类的多数来预测输入实例 ...
随机推荐
- Qt连接mysql数据库遇到QMYSQL driver not loaded
本文件向各位博友分享一下我在Qt开发过程中,连接mysql数据库时遇到的问题,以及解决的方法,希望对遇到同样问题的博友有所帮助. 工程运行环境:vs2015+Qt5.8 在开发过程中,编写数据库连接函 ...
- linux的端口学习（一）
1.端口是什么? 1.1 是英文port的意译,可认为是设备与外界通讯交流的出口. 1.2 端口可分为虚拟端口和物理端口. 1.2.1 虚拟端口:指计算机内部或交换机路由器内的端口,不可见.例如计算机 ...
- Ubuntu 16.04 安装ROS sudo rosdep init报错问题
解决博文:https://blog.csdn.net/weixin_37835458/article/details/79878785 输入sudo rosdep init报错如下: Tracebac ...
- JS获取光标在input 或 texterea 中下标位置
<textarea placeholder="请输入表达式" id="methodInput" ></textarea> 获取位置: v ...
- Centos10卸载nginx
1.停止服务 /usr/local/nginx/sbin/nginx -s stop yum remove nginx 2.查看Nginx相关文件 whereis nginx 删除:rm -rf /u ...
- springboot默认创建的bean是单实例
默认是单例 通过注解@Scope("prototype"),将其设置为多例模式 参考: 曾经面试的时候有面试官问我spring的controller是单例还是多例,结果我傻逼的回答 ...
- Django 中的select_related函数优化查询
参考链接: https://blog.csdn.net/secretx/article/details/43964607 在数据库有外键的时候,使用select_related()和prefech_r ...
- day11 作业
# 1.编写装饰器,为多个函数加上认证的功能(用户的账号密码来源于文件), # 要求登录成功一次,后续的函数都无需再输入用户名和密码 # FLAG = False # def login(func): ...
- 【转】python创建和删除文件
#!/usr/bin/python #-*-coding:utf-8-*- #指定编码格式,python默认unicode编码 import os directory = "./dir&qu ...
- electron 查看版本信息
console.log(process) console.log(process.versions.electron) process 里包含很多信息: