KNN 算法非常方便，特别适合我的一些问题，但我找不到任何关于如何在生产中实现它的资源。
作为一个比较示例，当我使用神经网络时，我已经可以使用高级工具，允许我将神经网络应用于示例（任何一个库都允许我在我想做嵌入式时巧妙地利用我的设备的硬件） ，或者基础设施，如果我想在云上运行它们，我可以以较低的成本使用我的神经网络），这些工具通常是黑盒子，并且经过了很好的优化，尤其是当你向它们传递一批示例时。
似乎没有这样的工具可以大规模使用 KNN，例如在云上，我想必须自己实现它。
一个简单的 KNN 实现，包括计算从推断示例到所有已知和记录示例的距离，使得计算成本和使用它的财务成本爆炸式增长（奇怪的是，这比我使用神经网络时支付的成本高得多网络，尽管算法看起来更简单）。
你认识分享高效且廉价的 KNN 实现的人吗？或者你对这个主题有什么想法？
我开始想象启发式方法可以快速取消距离太远的示例，而无需一一查看。
具体来说，这将由一组 n 维嵌套网格组成，这样在每个嵌套网格序列中搜索就像在树或哈希表中搜索一样，并且允许将示例定位在与嵌套网格序列一样多的 bin 中。然后，人们期望最接近的示例要么在同一个 bin 中，要么在一个连续的 bin 中（因为该示例可能靠近 bin 边界）。
我想人们也可以想象将空间划分为决策区域（例如，1-KNN 会生成 Voronoi 图）。
但是，我不是研究人员，我的想法肯定无法挑战最先进的技术或已经存在和探索的想法。