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：
二、搜索最近邻
kd树生成之后就可以预测测试集里的目标样本了。
首先找到包含目标样本的