说一下最简单的机器学习模型KNN（k-近邻），入门机器学习必备！！！

KNN(k-NearestNeighbor)-K最近邻

KNN虽然是最简单的算法，但是对刚刚开始机器学习的伙伴确是最好的入门算法，我就从算法本身实现开始，说一些基本概念。

先简单说一下要用到的一些专业用语：
特征（features）：简单理解就是物体共有的一些特性，就比如可乐都有甜味，碳酸含量啊；房子，有房屋面积，采光度啊，这些都是物体的特征，通常用X来表示。
标签（target）：这里说一下机器学习里的标签，就是我们通过物体的特征来预测的值，我们要得到的结果，通常用y表示。
噪声：数据不可解释的部分，通常算法所能达到的期望，泛化误差的下界。

KNN算法思想

举个例子看一下，有两种可乐我们已经知道了碳酸含量和甜味，我们有了一个新可乐（绿点），想知道它是哪个品牌的可乐，图里随便看一下就知道了，显然我们会把它预测为黄牌可乐。

生活里我们常常会有“越相近越相似”的想法，这其实就是KNN算法的本质，见名知意，k-近邻算法，是通过距离判断k个样本是否相似，如果距离够近就认为他们⾜够相似，有类似的特征（features），是属于同⼀类别，然后根据“少数服从多数，⼀点算⼀票”原则进⾏判断，数量最多的的标签（target）类别就是新样本的标签类别。
但是要注意的是：
1.因为一点一票的关系，并不能“人人平等”，对那些住的远的，需要进行惩罚机制，削弱其对预测结果的影响，惩罚机制在机器学习的算法会常常遇到。
2.量纲对预测结果的影响会非常大，在进行KNN算法前通常会对数据进行统一化，又叫做标准化处理。
3.KNN算法比较简单，所以可解释性比较强，像神经网络等复杂的算法几乎是没有萨满解释性的，但是对噪声的非常敏感。

Python代码实现

我这边用的是sklearn，代码都可以在API找到相关的说明：
官方API：sklearn_API_英文版
中文版：sklearn_中文文档
代码：

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split#导入分割测试集训练集数据集方法包
from s