机器学习，K-近邻算法

K-近邻算法

• k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。
• 它的工作原理是：存在一个样本数据集（训练集），并且我们知道每一数据与目标变量的对应关系，输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中最相近的分类标签，一般来说，我们只选择样本集中前k个最相似的数据，通常k为不大于20的整数，最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。
• K近邻算法思想和算法步骤

计算已知类别数据集中的点与当前点之间的距离；
按照距离递增次序排序；
选取与当前点距离最小的k个点；
确定前k个点所在类别的出现频率；
返回前k个点所出现频率最高的类别作为当前点的预测分类。

• 经典举例根据电影镜头判断电影类别，电影6属于什么类型，就需要进行一算距离，二排序，三取值

电影名称	打斗镜头	接吻镜头	电影类型
电影1	3	102	爱情
电影2	4	105	爱情
电影3	10	200	爱情
电影4	200	10	动作
电影5	201	18	动作
电影6	38	39	？

• K近邻的应用代码后续记录到github上