kd-tree和K近邻

KNN，K近邻算法

K Nearest Neighbor算法，就是找K个最近的邻居，当K=1时，退化成找最近的那个邻居。（Supervoxel的k-means聚类过程中就是找最近的一个点加标为该类，再更新中心点。）

它最简单的在分类上的应用，是这样描述的：以二分类为例，要判断某点属于哪类，先找到这点附近最近的k点，用这k个点投票决定待判定点属于哪类，如果多数都投A类，那么待判定点被判为A类，反之B类。

K值的选择

K值的选择很关键，不能过大，不能过小，一般用 交叉验证法 ：选取一部分做训练集，一部分做测试集来选取最优的K值。

过小的话：相当于用较小部分的数据做训练集，只有在输入数据离训练集很接近的情况才能比较符合预测的分类；

优点：“学习” 近似误差 会减小；

缺点：“学习”的 估计误差 会增大，整体模型变复杂，容易发生 过拟合 。

过大的话：

优点：“学习”的估计误差减小；

缺点：“学习”的近似误差会增大，整体模型变简单。

KD树——k近邻算法的实现

    Kd-树是K-dimension tree的缩写，是多维二叉搜索树，是为了在多维数据中搜索在一个区域（与查询点数据距离小于某阈值）的数据或搜索某目标数据的K个邻近。（范围搜索和最近邻搜索）

     每个节点即为一个k维的点。每个非叶节点可以想象为一个分割超平面，用垂直于坐标轴的超平面将空间分为两个部分，这样递归的从根节点不停的划分，直到没有实例为止。

1975年，来自斯坦福大学的Jon Louis Bentley在ACM杂志上发表的一篇论文：Multidimensional Binary Search Trees Used for Associative Searching 中正式提出和阐述的了如下图形式的把空间划分为多个部分的k-d树。

3D上使用kd-tree

所有数据都是三维的，构建的k-d树就是3-d tree，树的每层都是按某一维度来划分的，比如根节点之下的第一层都是按x轴的大小划分，如果比根节点的x值小，放在左子树上；若比根节点x值大，放在右子树上。

通常用类似快排的Partition思想，每次把中值放在当前根节点，比根节点i轴值小的放在左子树，大的放在右子树。下一层按照y轴Partition，再下一层按照z轴Partition。逐层递归构建左右子树直到只剩一个节点。

They most efficient way to build a k-d tree is to use a partition method like the one Quick Sort uses to place the median point at the root and everything with a smaller one dimensional value to the left and larger to the right. 

近邻的几种距离表示法

这里谈到距离度量是为了判定之前所说的谁比较近的问题。

（1）欧氏距离：我们常用的直线距离，坐标差平方和开方；

        向量表示方法：

                

（2）曼哈顿距离：在街区的一个十字路口驶向另一个十字路口的驾驶距离。两点在坐标系方向的投影的距离和。

(1)二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离 

(2)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的曼哈顿距离 

                          

（3）标准化欧氏距离（Standardized Euclidean Distance）

     标准化欧氏距离是针对简单欧氏距离的缺点而作的一种改进方案。标准欧氏距离的思路：既然数据各维分量的分布不一样，那先将各个分量都“标准化”到均值、方差相等。至于均值和方差标准化到多少，先复习点统计学知识。

    假设样本集X的数学期望或均值(mean)为m，标准差(standard deviation，方差开根)为s，那么X的“标准化变量”X*表示为：(X-m）/s，而且标准化变量的数学期望为0，方差为1。
     即，样本集的标准化过程(standardization)用公式描述就是：

     

     标准化后的值 =  ( 标准化前的值  － 分量的均值 ) /分量的标准差　　
     经过简单的推导就可以得到两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的标准化欧氏距离的公式：　　

     

     如果将方差的倒数看成是一个权重，这个公式可以看成是一种加权欧氏距离(Weighted Euclidean distance)。 

（4）夹角余弦——向量方向的差异性

两个n维样本点a(x11,x12,…,x1n)和b(x21,x22,…,x2n)的夹角余弦

     

值越大表示夹角越小，差异性越小；反之差异越大。

Reference

K近邻算法的实现--KD树，和KD树的插入，删除，最近邻查找等操作，及KD树的一系列相关改进(包括BBF，M树等)

http://blog.csdn.net/v_july_v/article/details/8203674/

3D上使用kd-tree  http://pointclouds.org/documentation/tutorials/kdtree_search.php#kdtree-search

                  API： http://docs.pointclouds.org/trunk/group__kdtree.html