请使用MATLAB语言，以KD树数据结构为基础实现K近邻分类算法，并写出每个函数的详细代码

好的，下面是使用MATLAB语言基于KD树数据结构实现K近邻分类算法的详细代码：

% KD树节点结构体
struct KdNode
   x % 数据点
   left % 左子树
   right % 右子树
   dim % 划分维度
end

% KD树构建函数
function root = build_kdtree(X, depth)
    if isempty(X)
        root = [];
        return;
    end
    
    n = size(X, 1);
    k = size(X, 2);
    
    [~, idx] = max(range(X));
    dim = mod(depth+k-2, k)+1;
    
    [~, I] = sort(X(:, dim));
    X = X(I, :);
    
    mid = ceil(n/2);
    
    root = KdNode();
    root.x = X(mid, :);
    root.dim = dim;
    
    root.left = build_kdtree(X(1:mid-1, :), depth+1);
    root.right = build_kdtree(X(mid+1:end, :), depth+1);
end

% KD树搜索函数
function [nn, min_dist] = search_kdtree(root, x, k)
    nn = [];
    min_dist = inf;
    
    while ~isempty(root)
        dist = sum((x-root.x).^2);
        if dist < min_dist
            min_dist = dist;
            nn = root.x;
        end
        
        if x(root.dim) < root.x(root.dim)
            root = root.left;
        else
            root = root.right;
        end
    end
end

% K近邻分类函数
function y = knn_classification(X_train, y_train, X_test, k)
    n_train = size(X_train, 1);
    n_test = size(X_test, 1);
    
    root = build_kdtree(X_train, 1);
    
    y = zeros(n_test, 1);
    for i = 1:n_test
        [nn, ~] = search_kdtree(root, X_test(i, :), k);
        idx = all(bsxfun(@eq, X_train, nn), 2);
        y(i) = mode(y_train(idx));
    end
end

其中，`build_kdtree` 函数用于构建KD树，`search_kdtree` 函数用于在KD树中搜索距离目标点最近的节点，`knn_classification` 函数用于进行K近邻分类。具体实现过程中，我们使用 MATLAB 中的 `struct` 结构体来定义 KD 树节点，并通过递归方式构建 KD 树。在搜索函数中，我们使用迭代方式遍历 KD 树，并计算距离目标点最近的节点。在分类函数中，我们首先构建 KD 树，然后对测试集中的每个数据点，通过 KD 树搜索找到其最近的 K 个邻居，最终通过投票法确定其分类标签。