K近邻算法

给定一个训练数据集，对新的输入实例，在训练数据集中找到跟它最近的k个实例，根据这k个实例的类判断它自己的类（一般采用多数表决的方法）
距离度量： 一般使用欧氏距离，也可以使用其他距离。
k值的选择：k较小，容易被噪声影响，发生过拟合。k较大，较远的训练实例也会对预测起作用，容易发生错误。
分类决策规则：多数表决（应该也可以根据距离使用带权重的表决方式）。
主要问题：如何快速的进行k近邻搜索。

最近邻(1-NN)算法图示：

5-NN算法图示：

k近邻算法的实现：kd树

T = [[2, 3], [5, 4], [9, 6], [4, 7], [8, 1], [7, 2]]


class n