kNN算法通俗讲解

        接触机器学习一段时间了，知道它有四种分类：监督学习、无监督学习、半监督学习、强化学习；也知道它的一般步骤：收集数据-->准备数据-->分析数据-->选择模型-->训练模型-->评估模型；知道数据越多测试结果就越准确。

        但是，作为一理工女，不动手就不理解，有很多疑团，怎么让一堆样本做为数据输入，怎么训练数据让模型更好，通过什么方法来评估算法，等等等等。

        然而，一切通过python编程可以解开模糊不清。资源也会单独上传。

       首先是kNN算法。

kNN（k-NearestNeighbor）概述：给一堆数据，每一条数据都要有类别标签，然后输入一条没有类别标签的数据，将这条数据的特征（就是这条数据本身）跟已经存在类别标签的数据一一比较，按相似度排序，找出最相似的k（一般不大于20的整数）条数据，看这k条数据中哪个类别多，那这条新数据就是那个类别。

可能只看文字描述还是不太清晰明了。接下来……

（一）准备数据集。具体的数据是数值型的矩阵如:

          [[1.0, 1.1],

           [1.0, 1.2],