K近邻法

　　K近邻法是机器学习所有算法中理论最简单，最好理解的算法。它是一种基本的分类与回归方法，它的输入为实例的特征向量，通过计算新数据与训练数据特征值之间的距离，然后选取K（K>=1）个距离最近的邻居进行分类判断（投票法）或者回归。如果K=1，那么新数据被简单地分配给其近邻的类。

　　对于分类问题：输出实例的类别。分类时，对于新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。

　　对于回归问题：输出为实例的值。回归时，对于新的实例，取其k个最近邻的训练实例的平均值为预测值。

　　k近邻法分类的直观理解：给定一个训练数据集，对于新的输入实例，在训练集中找到与该实例最近邻的k个实例。这k个实例的多数属于某个类别，则该输入实例就划分为这个类别。

　　k近邻法不具有显式的学习过程，它是直接预测。实际上它是利用训练数据集对特征向量空间进行划分，并且作为其分类的“模型”

　　K近邻法的三要素为：K值选择    距离度量  分类决策规则（取均值的规则）。当k=1时，称为最近邻算法。应用中，k值一般取一个较小的数值，通常采用交叉验证法来选用最优的k值，就是比较不同k值时的交叉验证平均误差率，选择误差率最小的那个k值。

　　KNN算法要求数据的所有特征都可以做可比较的量化。