KNN最邻近算法

优点：精度高，对异常值不敏感，无数据输入假定。

缺点：计算复杂度高，空间复杂度高。

适用范围：数值型和标称型。

1. KNN算法是在预测的时候才进行运算的。
   
2. 简要介绍步骤就是，准备好一堆样本，想象一下每个样本在空间分布，它的坐标就是他的几个特征值。
   
3.  当需要预测时，求出与样本距离最近的几个点，通过这几个点来判断预测点的分类。
   
4. 在判断的时候，可以通过数不同样本的数量数，最多的即为预测类
   
5. 但是一般情况，与样本的距离不同，权重也会不同，所以为了精确也会根据与那一类的权值大小来判断预测点的类别。
   
6. 优化：在进行数据准备时，可以对数据范围差值很大的数据进行归一化处理，以解决不同特征的权重不同的问题
   
7. 详细解释：