K-近邻算法（KNN）

KNN分类算法

KNN核心思想：
            你的"邻居"来推断出你的类别

如果取的最近的点数量不一样？会是什么结果？
                k 值取得过小，容易受到异常点的影响
                k 值取得过大，样本不均衡的影响

优点：简单，易于理解，易于实现，无需训练
缺点：
    1）必须指定K值，K值选择不当则分类精度不能保证
    2）懒惰算法，对测试样本分类时的计算量大，内存开销大
使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试

API

sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
    n_neighbors：k值
    algorithm:{'auto', 'ball_tree', 'kd_tree', 'brute'}, 
    可选用于计算最近邻居的算法：
        'ball_tree':将会使用BallTree
        'kd_tree':将会使用KDTree
        'auto':将尝试根据传递给fit方法的值来决定最合适的算法。
        (不同实现方式影响效率)

---

<