KNN算法

   KNN算法，即K最近邻算法，是一种基于实例的学习方法，属于监督学习方式的分类算法。该算法的核心思想是，如果一个样本在特征空间中的K个最相邻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。KNN算法在确定分类决策时，只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

   KNN算法的优点包括简单直观、易于实现、准确度较高等。它适用于分类和回归问题，同时也支持多分类和多回归问题。然而，KNN算法的缺点主要是计算复杂度高，当数据集很大时，计算距离的时间和空间开销都会很大，影响算法执行效率。此外，KNN算法对训练集中样本的密度很敏感，对于密度相差很大的数据集，分类精度会受到较大影响。

   在KNN算法中，K值的选择是一个重要的参数。如果K值很小，可能会受到异常点的影响，如果K值很大，可能会使得模型变得简单，决策边界变平滑，出现欠拟合的情况。因此，选择一个合适的K值对于KNN算法来说十分重要。

    在距离度量方面，KNN算法中常用的距离指标包括欧几里得距离和曼哈顿距离。欧几里得距离是我们在平面几何中最常用的距离计算方法，即两点之间的直线距离。曼哈顿距离是计算两点在一个网格上的路径距离，与上述的直线距离不同，它只允许沿着网格的水平和垂直方向移动。

 

   以上为knn回归算法的代码运行。