在k-d树的页面上引用维基百科：
k-d树不适合有效地找到最近的树 高维空间中的邻居。作为一般规则，如果 维数是k，数据中的点数N应该是N>＆gt; 2K。否则，当k-d树与高维数据一起使用时，将评估树中的大多数点并且效率为 没有比穷举搜索更好，[11]和近似 应该使用最近邻方法。
我不明白维度（k）和数据中的点数（N）之间的区别，以及为什么关于何时k-d树不方便的陈述是真的。
答案 0 :(得分：7)
k是数据的维度，而n是数据集中点的数量。因此，如果您的数据集包含1000万个点，并且每个点都有3个维度，则k为3，n为1000万。
k-d树不适合在高维度上找到最近邻居的原因与所谓的curse of dimensionality有关。 k-d树重复使用沿着单个维度的分割，但是当处理高维数据时，在一个维度上知道关于（欧几里德）距离的某些东西对于整个空间中的距离几乎没有说明。
想要数据集超过2 k 的原因非常直观：我们将数据集分成两个大小相等的两半。如果我们有少于2个 k 数据点，过了一段时间就没有更多的数据需要拆分！例如，如果你有3个维度中的4个点，我们可以在x上拆分，给出两组两个点。我们将其拆分为y，给出四组一点。但是现在我们不能再分裂了z！