什么是KNN（K

   虽然名字中由”NN”，但是KNN并不是哪种神经网络，KNN的英文全称叫K-Nearest Neighbor，翻译过来就是K邻近算法，K这里可以理解为邻居，你也可以叫它找邻居算法，是机器学习中常用的分类算法，最初由 Cover和Hart于1968年提出。

   “物以类聚、人以群分”,KNN的基础思想很简单，要判断一个新数据的类别，就看它的邻居。

    假设我们要分类水果，现在不知到拿到手上的是梨还是苹果，但通过观察它的大小和颜色，我们找到了它在坐标系中的位置。再看看已经确定的苹果和梨在哪，如果附近的苹果多，我们就认为它是苹果，反之就是梨。

   K(代表邻居)为3，就表示距离最近的三个样本来判断新数据的类别。大小、颜色是数据的特征，苹果和梨是数据的标签。计算距离的时候，既可以使用两点的直线距离，也可以使用欧式距离，也可以使用坐标轴的距离的绝对值的和（也就是曼哈顿距离）。

   对于KNN来说，K的取值非常重要，K的值太小，容易受个的影响，K的值太大，容易受距离较远的特殊数据影响。K的取值受问题自身和数据集大小决定（很多时候需要通过反复尝试来确定）。

    KNN可以用来干啥？根据花瓣长度、宽度等特征判断植物类别，将文本转换为分词，统计处理后判断文章的类型。电商、视频网站找到类似的用户，依据他们的选择推荐你可能感兴趣的商品内容.....

    简单好用的KNN也存在缺点。他的流程是流程：先计算新样本与所有样本之间的距离，根据由近到远的顺序排列，根据K值分类。所以KNN数据越多的计算量越大，效率越低，很难运用到较大的数据中。