最大的缺点：效率低下
如果训练集有m个样本，n个特征，则预测每一个新的数据，需要O(m*n)
优化，使用树结构：KD-Tree,Ball-Tree
缺点2：高度数据相关
缺点3：预测结果不具有可解释性
缺点4：维数灾难
随着维护的增加，“看似相近”的两个点之间的距离越来越大
解决方法：降维
最大的缺点：效率低下
如果训练集有m个样本，n个特征，则预测每一个新的数据，需要O(m*n)
优化，使用树结构：KD-Tree,Ball-Tree
缺点2：高度数据相关
缺点3：预测结果不具有可解释性
缺点4：维数灾难
随着维护的增加，“看似相近”的两个点之间的距离越来越大
解决方法：降维
