Tree 为高维数据设计层次树

给定一个一维随机数集，我们只需遍历该集，然后将数据向下推到树上。在一维中，这是非常简单的。我们可以简单地比较数据的值，并决定数据将在树上传播到哪里

然而，对于更高的维度，距离开始变得模糊，更难决定哪些数据应该放在树下的哪个位置

事实上，如果我们要设计一个包含一组高维向量（例如，128维SIFT特征）的层次树，那么我们如何决定每个n维向量中的哪个应该去哪个子树，等等？我们做的一些事情是什么？

随机树 A是一种常用的分类或聚类技术

以下是如何决定如何拆分树的每个节点：

• 从128个SIFT维度中随机选择一个k（小的，比如5）
• 确定这k个维度中哪一个提供了数据的最佳分割

因此，每个节点都需要存储：

要使用的维度

应用于该维度的决策阈值

树叶将储存：

• 类预测，或关于在该叶节点结束的数据点的一些统计信息

---

什么是层次树，与树相对？实际上是一样的。我只想强调层次部分。我重新标记了它，因为这个问题不是特定于SIFT的，数据不是层次的，只有树是层次的。