KD树算法是先对数据集进行建模，然后搜索最近邻，最后一步是预测。
KD树中的K指的是样本特征的维数。
一、KD树的建立
m个样本n维特征，计算n个特征的方差，取方差最大的第k维特征作为根节点。选择第k维特征的中位数作为切分点，小于中位数的放左子树，大于中位数的放右子树，递归生成。
举例
有二维样本6个，{(2,3)，(5,4)，(9,6)，(4,7)，(8,1)，(7,2)}：
1、找根节点，6个数据点在x、y维度上的方差分别是6.97，5.37，x维度方差最大，因此选择x维进行键树；
2、找切分点，x维中位数是（7,2），因此以这个点的x维度的取值进行划分；
3、x=7将空间分为左右两个部分，然后递归使用此方法，最后结果为：
（7,2）
/
（5,4） （9,6）
/ /
（2,3）（4,7） （8,1）
二、搜索最近邻
先找到包含目标点的叶子节点，然后以目标点为圆心，目标点到叶子节点距离为半径，得到超球体。最近邻的点一点在内部。
返回叶子节点的父节点，检查另一个叶子节点包含的超矩体是否和这个超球体相交，相交的话在这个叶子节点寻找有没有更近的近邻，更新。当回溯到根节点时，结束。此时保存的节点就是最近邻节点。
KD树划分后可以大大减少无效的最近邻搜索，很多样本点由于所在的超矩形体和超球体不相交，根本不需要计算距离。大大节省了计算时间。
1、对（2,4.5）搜索最近邻，先从（7,2）开始找，2<7因此在左子树；
2、4.5>4，在右子空间找到叶子节点（4,7），计算距离为3.202，以它为半径得到超球体，返回父节点（5,4）；
3、计算父节点与（2,4.5）的距离=3.041<3.202，更新保存的最近节点，同时由于左子空间与超球体相交，所以到左子空间中找有没有叶子节点；
4、左子空间中（2,3）节点与目标节点更近，找到最近邻。
三、KD树预测
在kd树搜索最近邻的基础上，选择到了第一个最近邻样本，把它设置为已选，然后第二轮中忽略这个样本，重新找最近邻。
四、球树
kd树对样本分布不均匀时，效果不好。
球树：每个分割快都是超球体。
过程：从球中选择一个离球的中心最远的点，然后选择第二个点离第一个点最远，将所有的点分配到这两个点上，计算聚类中心，然后对这两个小超球体递归使用这个方法