参看文章：
《机器学习-周志华》
《机器学习实战-Peter Harrington》
《统计学习方法-李航》
算法介绍：
k近邻学习是一种常用的监督学习方法，其工作机制如下，给定测试样本，基于某种距离度量（曼哈顿距离、欧氏距离、切比雪夫距离、Lp距离、Minkowski距离）找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测。
argmax(f(x))是使得 f(x)取得最大值所对应的变量点x
投票法：
在分类任务中使用，选择k个样本出现最多的类别标记作为预测结果
平均法：
在回归任务中使用，即将k个样本的实值输出标记的平均值作为预测结果
距离权重法：
称为k近邻算法的优化算法，为每个点的距离增加一个权重，使得距离近的点可以得到更大的权重，既可用于加权平均又可用于加权投票。
优点：
1.理论成熟，思想简单，既可以用来做分类又可以做回归
2.训练时间复杂度为O(n)；无数据输入假定；
3.可用于数值型数据和离散型数据；
4.对异常值不敏感
缺点：
1.计算复杂度高，因无显示的训练过程
2.对k值、距离敏感，不同k值与距离计算方法可能结果不同
3.无法给出任何数据的基础结构信息
最近邻分类器（k = 1）
错误率（暂未看懂）
实现方法：
1. kd树
2. 传统法