机器学习实践——KNN算法的实现（一）

KNN算法是数据挖掘中应用于分类的比较简单的一种算法，也是一种基于实例的算法。

工作原理（通俗）：建立一个d维空间，d就是属性的个数，训练集中的类标号就在该d维空间中，给定一个测试样例，根据属性找到在d维空间的位置，然后画一个半径为k的圆，在圆内中属于包含哪些类就是哪一类。最关键点就在于k的取值，若太大则会产生误分类，太小可能会受到噪音带来的影响

接下来这段代码是机器学习与实践上的关于KNN的算法，是关于通过输入约会对象的三个特征值，预测对他的期望值。我加上了一些注释更助于理解代码：

1：首先是KNN算法，计算输入向量INX 与训练集dataSet中各个点的距离，然后将距离按从小到大排列，选取前K个值，最后返回频率最高的类标签

 

2：从数据文本中解析数据，也就是将文件中的数据导入到矩阵以及列表中便于处理

3：因为不同属性的数值范围不同 ，数字差值较大的属性可能会影响最终结果，所以要采用数值归一化处理，公式为

newValue = (oldValue - minValue) / (maxvalue - min