KNN
(一）KNN概念：
K近邻算法是一种回归和分类算法，这主要讨论其分类概念：
K近邻模型三要素：
1，距离：
2，K值的选择：
K值选择过小：模型过复杂，近似误差减小，估计误差上升，出现过拟合
K值选择过大：模型过于简单，预测能力弱
K值的选择：可以通过交叉验证来确定，k一般取一个较小的值
3，分类决策规则：
（二），kd树
1，构造kd树
2，kd树最近邻搜索策略
一个复杂点了例子如查找点为（2，4.5）。
1、同样先进行二叉查找，先从（7,2）查找到（5,4）节点，在进行查找时是由y = 4为分割超平面的，由于查找点为y值为4.5，因此进入右子空间查找到（4,7），形成搜索路径<（7,2），（5,4），（4,7）>，
2、取（4,7）为当前最近邻点，计算其与目标查找点的距离为3.202。然后回溯到（5,4），计算其与查找点之间的距离为3.041。
（（4,7）与目标查找点的距离为3.202，而（5,4）与查找点之间的距离为3.041，所以（5,4）为查询点的最近点；）
3、以（2，4.5）为圆心，以3.041为半径作圆，如图4所示。可见该圆和y = 4超平面交割，所以需要进入（5,4）左子空间进行查找。此时需将（2,3）节点加入搜索路径中得<（7,2），（2,3）>。
4、回溯至（2,3）叶子节点，（2,3）距离（2,4.5）比（5,4）要近，所以最近邻点更新为（2，3），最近距离更新为1.5。
5、回溯至（7,2），以（2,4.5）为圆心1.5为半径作圆，并不和x = 7分割超平面交割，如图5所示。
至此，搜索路径回溯完。返回最近邻点（2,3），最近距离1.5。
（三）总结：
个人体会：knn:输入训练数据，通过训练数据构建一个kd树，测试时，将数据插入kd树中，然后根据指定的距离测试方法选择最近的K个值，再根据决策规则选择测试数据所属的分类（关键是构建kd树（选中位数原则）和kd树查找），感觉适合特征是连续的数据
参考网址：
http://blog.csdn.net/losteng/article/details/50893739