目录标题
一、KNN算法思想
如果一个样本在特征空间中的K个最相似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
如何确定样本的相似性? 距离 距离越近,越相似
K值小过拟合,K值过大欠拟合，那如何选择合适的K值 交叉验证和网络搜索
二、KNN怎么算最近距离
欧式距离(闵时距离2次方)，曼哈顿距离(闵时距离1次方)，切比雪夫距离((闵时距离无穷次方))，闵可夫斯距离
举个例子：看看无穷大时候时切比雪夫距离(一次方和二次方不看)
这是二维下 p是3次方两个点距离，
当p变成无穷大时候， 2^∞ + 1 ^∞ 开无穷根号，值越来越像 2 ^ ∞靠近，忽略 1 ^ ∞，所以最后就是选择大的一边，就是切比雪夫距离
三、这个k值怎么取(就是调用api里面的超参,参考之前鸢尾花实验)
因为 K值小过拟合,K值过大欠拟合
交叉验证就是复验几次，为啥要反复验证呢?
把一份数据切成多份，轮流当验证集，来更准确地评估同一个模型
你有一份数据，如果只切一次（比如 80% 训练，20% 测试），会有一个问题：这次切分可能运气好或运气坏。
如果测试集里刚好全是简单样本，模型准确率 95%，你会误以为模型很好。
如果测试集里刚好全是难样本，模型准确率 60%，你会误以为模型很差
交叉验证:评估模型的好坏的方法
网格搜索:自动调各种超参组合,选出最优超参
四、knn里面找距离远近的曼哈顿，欧式等和损失函数里面找距离远近有啥区别
两个都是算距离,衡量差异
**损失函数：**用来训练模型，告诉模型"你错得有多离谱"，然后模型根据它来调整参数
曼哈顿/欧氏距离：用来衡量样本之间的相似度，在 KNN 里就是用来找"谁离我最近"
