KNN缺点（1）：样本不平衡问题
比如下列Y点，本应该属于红色，但是如果采用KNN准则，属性就被误判成蓝色了。
缺点（1）解决方法：距离加权加权
将我的博文：https://blog.csdn.net/weixin_41770169/article/details/81560946
将距离该样本距离小的邻居权值大，距离该样本距离大的邻居权值则相对较小，由此，将距离远近的因素也考虑在内，避免因一个样本数量过多导致误判的情况。
KNN缺点（2）：计算量太大
第一个是需要存储全部的训练样本
第二个是计算量较大，因为对每一个待分类的样本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。
缺点（2）解决方法：kd-tree
见我的博文：https://blog.csdn.net/weixin_41770169/article/details/81565514
kd树(K-dimensiontree)是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。kd树是是一种二叉树，表示对k维空间的一个划分，构造kd树相当于不断地用垂直于坐标轴的超平面将K维空间切分，构成一系列的K维超矩形区域。kd树的每个结点对应于一个k维超矩形区域。利用kd树可以省去对大部分数据点的搜索，从而减少搜索的计算量。
kd-tree缺点：对于20维以下的数据效果较好，但是对于高维数据，处理困难
解决方法：ball-tree
ball-tree：专门针对kd-tree对高维数据处理困难提出的
kd-tree和ball-tree对海量数据可能处理还是不够，因此提出LSH：
LSH局部敏感哈希，专门针对海量高维数据提出的KNN优化算法