K近邻算法（KNN）

本文来自阅读机器学习实战过程中做的笔记，可能有点多，因为写的太好了，没忍住就记录下来，方便以后电子复习。

1、概念：k-近邻算法采用测量不同特征值之间的距离方法进行分类。

2、原理：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k0近邻算法中k的由来。

3、优点：精度高、对异常值不敏感、无数据输入假定。

　  缺点：计算复杂度高、空间复杂度高。

      适用范围：数值型和标称型。