1.k近邻算法属于分类算法
2.你的“邻居”来推断出你的类别
3.标准定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
4.计算距离公式：
比如说，a(a1,a2,a3),b(b1,b2,b3)，不一定非要是三维的哦！
5.sklearn k-近邻算法API：
n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)
6.机器学习数据处理流程：
1、数据集的处理
2、分割数据集
3、对数据集进行标准化
4、estimator流程进行分类预测
7.k-近邻中k的取值大小：
1、k值取多大？有什么影响？
k值取很小：容易受异常点影响
k值取很大：容易受最近数据太多导致比例变化
8.k-近邻算法优缺点：
优点： 简单，易于理解，易于实现，无需估计参数，无需训练。
缺点： 懒惰算法，对测试样本分类时的计算量大，内存开销大
必须指定K值，K值选择不当则分类精度不能保证。
9.使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试。（k近邻算法不太常用）