从KNN算法步入机器学习殿堂
本文中介绍的机器学习算法中的一种监督学习的算法：KNN算法，全称是K-Nearest Neighbor，中文称之为K近邻算法。
它是机器学习可以说是最简单的分类算法之一，同时也是最常用的分类算法之一。在接下来的内容中，将通过以下的几个方面的内容对该算法进行详细的讲解：
<!--MORE-->
算法思想
思想
首先对KNN算法的思想进行简单的描述：
KNN算法是一个基本的分类和回归的算法，它是属于监督学习中分类方法的一种。其大致思想表述为：
- 给定一个训练集合M和一个测试对象n，其中该对象是由一个属性值和未知的类别标签组成的向量。
- 计算对象m和训练集中每个对象之间的距离（一般是欧式距离）或者相似度（一般是余弦相似度），确定最近邻的列表
- 将最近邻列表中数量占据最多的类别判给测试对象z。
- 一般来说，我们只选择训练样本中前K个最相似的数据，这便是k-近邻算法中k的出处。
用一句俗语来总结KNN算法的思想：物以类聚，人以群分
说明
- 所谓的监督学习和非监督学习，指的是训练数据是否有类别标签，如果有则是监督学习，否则是非监督学习
- 在监督学习中，输入变量和输出变量可以连续或者离散的。如果输入输出变量都是连续型变量，则称为回归问题（房价预测）；如果输出是离散型变量，则称之为分类问题（判断患者是否属于患病）
- 在无监督学习中，数据是没有任何标签的，主要是各种聚类算法（以后学习）
算法步骤
KNN算法的步骤非常简单：
- 计算未知实例到所有已知实例的距离；
- 选择参数
K（下面
