1.KNN简介：
KNN：(K nearest neighbor)也叫K近邻算法，主要用于处理机器学习中的分类问题。
2.算法思想：统计得到距离目标点最近的K个点中个数最多的某个标签，作为目标点的类标签。
即假设给定k=8，计算每个样本点对测试点的距离，并从小到大排序，选出前8个样本点，统计得出前8个样本中有5个属于第一类，2个属于第二类，1个属于第三类，则目标点可归为第一类。【这就是多数表决的概念】
3.KNN三要素：距离度量（根据特征选择），K值选择，决策规则（比如上述的多数表决规则）
3.1关于距离选择：
1）闵可夫斯基距离：可分为三种。空间（欧式距离）；路径（曼哈顿距离）；国际象棋国王？（切比雪夫距离）；
2）加权：标准化欧式距离
3）排除量纲和依存：马氏距离；
4）向量差距：夹角余弦；
5）编码差别：汉明距离；
6）集合近似度：杰卡德类似系数与距离；
7）相关：相关系数与距离
3.2关于k值选择：
k值与近似误差成正相关，与估计误差成负相关，（一般选择5~10左右？）
近似误差和估计误差的形象理解：
k取3，k较小，相当于只度量目标点周围最近的3个样本点，目标点对这三个节点的信任度高，近似误差低。但是k取3对噪声点敏感。
k取8，k较大，相当于度量了目标点周围最近的8个样本点，因为参考了多个节点的信息，所以这种情况下对噪声点和错误数据点等等不敏感，估计误差小。
3.3关于决策规则：
一般有全体一致（一票否决制）和多数表决两种方式。
4.KNN和K-means对比（有监督/无监督）
参考资料：
1.KNN_matlab代码：https://blog.csdn.net/queyuze/article/details/70195087?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase， 作者：新青年hans
2.概念理解：https://blog.csdn.net/weixin_40657079/article/details/82958976
3.K近邻python简单示例：https://www.cnblogs.com/eczhou/p/7860462.html
4.距离选择：https://blog.csdn.net/weixin_40657079/article/details/82958976，作者：weixin_40657079