一、算法核心思想
1、定义：K 近邻（K-Nearest Neighbor, KNN）用最近的 K 个已知样本代表/决定未知样本的类别
2、步骤：
① 计算未知点到所有已知点的距离，
② 按距离升序排序，
③ 选前 K 个（K ≤ 20），
④ 统计这 K 个邻居中类别出现频率，
⑤ 将频率最高的类别作为预测结果，
二、距离度量
-
欧式距离（Euclidean）
多维空间两点直线距离：
d = √Σ(xi -- yi)²
-
曼哈顿距离（Manhattan）
各维度绝对值之和：
d = Σ|xi -- yi|
三、鸢尾花数据集练习（为分类问题）
将鸢尾花数据集导入库，生成数据
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
# 设置随机种子，保证结果可复现
np.random.seed(0)
#加载鸢尾花数据集
iris=datasets.load_iris()
iris分三类
将他们分类、增加特征、类别名
最终KNN邻近值选取并验证
四、自己新找一个数据集
练习：导入葡萄酒数据集（为分类问题）
#导入葡萄酒数据集
wine = datasets.load_wine()
wine加载前十行数据wine.data[:10] 葡萄酒的特征值
给他分类标签并标明特征和类别。
训练和测试X和Y
预测X和Y的值，选择最优K值交叉验证，标明范围。最后画图
K 值选择、距离度量方式决定模型效果。
适用小规模、低维、类别边界不规则的数据。