KNN算法思想
若一个样本在特征空间中的K个最相似的样本大多数术语某一个类别，则该样本也属于这个类别。
解决问题：
KNN算法既能解决分类（多数表决）问题，也能解决回归（计算平均值）问题
1.分类问题
（有监督）-> 有特征，有标签 标签是离散的 如：猫狗猪
<1> 算距离
<2> 升序排列
<3> 分类（多数表决） 如（1,1,1,1,0,0,0,1,1,1） 则值就是1
<4> 如果多数属于这个类别，未知样本也属于这个类别
2.回归问题
（有监督）-> 有特征，有标签，标签是连续的 如：房价-> 100万、50万、300万...
<1> 算距离
<2> 升序排列
<3> 回归（计算平均值） 如（10,20,30,40,50,60,70,80,90,100） 则值就是55
python
from sklearn.neighbors import KNeighborsClassifier,KNeighborsRegressor #分类、回归
#1.创建模型（算法）对象 分类
model1 = KNeighborsClassifier(n_neighbors=3) #离你最近的N个 这里是3个邻居
#2.准备训练集 二维的
x1_train = [[1],[2],[3],[4]]
y1_train = [0,0,0,1]
#3.准备测试集
x1_test = [[5]]
#4. 模型训练
#参1 训练集 特征， 参2 训练集 标签
model1.fit(x1_train, y1_train)
y1_test = model1.predict(x1_test)
print(f'预测结果是:{y1_test}')
print('================================')
print(' 回归 ')
#1.创建模型（算法）对象 回归
model2 = KNeighborsRegressor(n_neighbors=3) #离你最近的N个 这里是3个邻居
x2_train = [[0, 0, 1],[1, 1, 0],[3, 10, 10],[4, 11, 12]]
y2_train = [0.1, 0.2, 0.3, 0.4]
x2_test = [[3, 11, 10]]
model2.fit(x2_train, y2_train)
y2_test = model2.predict(x2_test)
print(f'预测结果是:{y2_test}')ne_neighbors = 3 取最近三个。
x1_train 实际用到 [2],[3],[4] y1_train 实际用到 0,0,1
多数表决 所以结果是 0
x2 也是取得后三个， 也y2_train 实际取0.2,0.3,0.4
平均下y2_traion的值是0.3 所以平均值是0.3 是预测结果
算距离公式
其中p 是一个变参数：
p = 1, 是就曼哈顿距离
p = 2, 就是欧式距离
p -> 无穷大， 就是切比雪夫距离
根据 p 的不同，闽氏距离可表示某一类种的距离
欧式距离：
p = 2 , n 表示几维
问题：ABCD 四个点 用 X = [[1,1],[2,2],[3,3],[4,4]]，求AB距离
解析
<1> 二维 n = 2，因为一个子列表里面只有2个数据
<2> x1 = 1, x2 = 1, y1 = 2, y2 = 2
<3>套公式
根号默认值是 2
k = 1 到 n = 2的累加 
这里二维的。可以看做是 三角形的勾股定理
曼哈顿距离：
看完上面 欧式距离 那么 曼哈顿距离就更好理解
二维 平面两点 a (x,y) 与 b (x,y) 间的曼哈顿距离 p = 1，n = 2
n维空间点 a(x11,x12,x13.....x1n) 与 b(x21,x22,x23......x2n)的曼哈顿距离
闵可夫斯基距离：
即闵氏距离 了解即可
