Aquí está el algoritmo simple de “búsqueda de vecino más cercano”
Puede echar un vistazo a las dos imágenes a continuación, le dará la idea de cómo funciona este algoritmo.
Descripción de entrada: Un conjunto S de n puntos en d dimensiones; un punto de consulta q.
Problema: ¿Qué punto en S está más cerca de q?
- Cómo escribir una carta al presidente
- ¿Cómo se ve una carta de Ozmound u Osmond del gobierno (la carta de advertencia de que alguien está tratando de matarte)?
- ¿Cuál es la carta más linda que has recibido?
- Si pudieras escribir una carta a la persona que ha solicitado un A2A contigo, ¿qué escribirías?
- ¿Cómo se escribe una carta de motivación?
Extracto del Manual de diseño de algoritmos: la necesidad de encontrar rápidamente el vecino más cercano a un punto de consulta surge en una variedad de aplicaciones geométricas. El ejemplo clásico en dos dimensiones es diseñar un sistema para enviar vehículos de emergencia a la escena de un incendio. Una vez que el despachador
Cuando se entera de la ubicación del incendio, utiliza un mapa para encontrar la estación de bomberos más cercana a este punto para minimizar los retrasos en el transporte. Esta situación ocurre en cualquier aplicación que asigne clientes a proveedores de servicios.
La búsqueda del vecino más cercano también es importante en la clasificación. Supongamos que se nos da una recopilación de datos sobre personas (por ejemplo, edad, altura, peso, años de educación, sexo y nivel de ingresos), cada uno de los cuales
ha sido calificado como demócrata o republicano. Buscamos un clasificador para decidir de qué manera es probable que vote una persona diferente. Cada una de las personas en nuestro conjunto de datos está representada por un punto etiquetado como parte en el espacio dimensional $ d $ Se puede construir un clasificador simple asignando al nuevo punto la fiesta
afiliación de su vecino más cercano.
Dichos clasificadores de vecinos más cercanos se usan ampliamente, a menudo en espacios de alta dimensión. El método de cuantificación vectorial de compresión de imágenes divide una imagen en regiones de 8 X 8 píxeles. Este método utiliza una biblioteca predeterminada de varios miles de mosaicos de 8 X 8 píxeles y reemplaza cada región de imagen por el mosaico de biblioteca más similar. El mosaico más similar es el punto en el espacio de 64 dimensiones más cercano a la región de la imagen en cuestión. La compresión se logra al informar el identificador del mosaico de biblioteca más cercano en lugar de los 64 píxeles, con alguna pérdida de fidelidad de imagen.
1) 
Aplicando algoritmo
2) 
Que tengas un gran día….:)