Jaka jest różnica między drzewem KD a drzewem R?

Są właściwie zupełnie inne. Służą one podobnemu celowi (zapytania regionalne dotyczące danych przestrzennych) i oba są drzewami, ale to wszystko, co mają ze sobą wspólnego.

• R-drzewa są zrównoważone, KD-drzewa nie są (chyba, że są zbiorczo załadowane). Dlatego drzewa R są preferowane do zmiany danych, ponieważ drzewa kd mogą wymagać przebudowy w celu ponownej optymalizacji.
• R-drzewa są zorientowane na dysk . Faktycznie organizują dane w obszarach, które bezpośrednio mapują na dysku reprezentacyjne. To czyni je bardziej przydatnymi w rzeczywistych bazach danych i do pracy poza pamięcią. KD-drzewa są zorientowane na pamięć i nie są trywialne do umieszczenia na stronach dysku
• R-drzewa nie obejmują całej przestrzeni danych. Puste obszary mogą być odkryte. KD-drzewa zawsze pokrywają całą przestrzeń.
• KD-trees Binary split przestrzeń danych, r-trees dzieli dane na prostokąty. Podziały binarne są oczywiście rozdzielone; podczas gdy prostokąty drzewa r mogą nakładać się na siebie (co faktycznie jest czasami dobre, chociaż stara się zminimalizować nakładanie się)
KD-drzewa są dużo łatwiejsze do zaimplementowania w pamięci, co w rzeczywistości jest ich kluczową zaletą]} R-trees może przechowywać prostokąty i wielokąty , KD-trees przechowuje tylko Wektory punktowe (ponieważ zachodzi potrzeba nakładania się wielokątów)
• drzewa R mają różne strategie optymalizacji, różne podziały, ładunki masowe, strategie wstawiania i ponownego zakładania itp.

Zasadnicza różnica między dwoma Nie wymienionymi w Ta odpowiedź jest taka, że drzewa KD są wydajne tylko w sytuacjach masowego ładowania. Po zbudowaniu, modyfikowanie lub równoważenie drzewa KD jest nietrywialne. R-drzewa nie cierpią z tego powodu.