我正在尝试为图像功能构建KD树（独立）。我已经提取了图像特征，该特征包含假设的1000个浮点值。
使用map-reduce根据分类（例如，猫，狗，枪）在群集的节点之间分发图像，即。每个节点将包含一堆相似的图像＆amp;然后在每个节点上构建图像的KD树。我对如何构建树感到困惑。
那么如何使用map-reduce构建KD树？每个节点都包含树，对吗？分发图像的逻辑是什么？在构建KD树时，我应该在什么基础上在树中添加图像特征向量（即左或右孩子）？
感谢任何帮助。谢谢。
答案 0 :(得分：2)
我不认为k-d-tree对你的数据是正确的。以下是Wikipedia对此的说法：
k-d树不适合在高维空间中有效地找到最近邻居。作为一般规则，如果维度是k，则数据中的点数N应该是N>＆gt;。 2 ^ķ。否则，当k-d树与高维数据一起使用时，树中的大多数点将被评估，效率并不比穷举搜索好，并且应该使用近似最近邻方法。
您的要素向量具有维度1000，这意味着您应该有大约10 ^ 300个图像，这是不太可能的。
我建议您查看Locality-sensitive hashing，这是高维数据中提到的近似最近邻搜索之一。
由于维基百科并不总是学习复杂内容的最佳场所，因此我建议您先看看苏黎世联邦理工学院respective lecture slides课程的Data Mining。我恰好在本学期学习本课程。