K-近邻算法可用在二类分类，多类分类和回归问题上
基本要素：
K值的选择，距离度量和分类决策规则
减小K值：近似误差减小，估计误差增大，增大K值则相反K值通常不大于20；距离
度量：Lp距离；分类决策规则：多数表决
工作原理：
1、有监督学习：标签化数据集
2、测试阶段：输入无标签新数据后，将新数据的特征与样本集的特征进行比较（
最近邻：赋予最相近数据的标签；K-近邻：选择K个最相近数据中出现频次最多的
标签）
工作流：
1、制作标签化数据集 2、准备数据：修改为可用于距离计算的数值型数据 3、应用
K-近邻：首先计算测试数据与标签化数据集K个点的距离，然后升序排序，并选择
距离最小的K个点，最后返回出现频次最高的标签（分类）或K个点某个（些）属
性的平均值（回归）
注意：K-近邻算法无需训练
来源：https://www.cnblogs.com/cookbook/p/12381351.html