KNN （最近邻分类规则）--最简单的机器学习 分类，回归算法
个人认为机器学习的三个最主要的特性，是 分类，回归，聚类。对于具体的问题，我们通过数据的抽象，运用函数来表示问题，在一定的空间内，用凸优化的思想来迭代，搜索更好的数值。这个过程得益于计算机不断发展的计算能力，实则是统计，概率，数学抽象问题和计算机编程的完美结合，便成为机器学习。
使用KNN算法解决一个现实的分类问题：如何区分 爱情片与 动作片 （不是爱情动作片！《机器学习实战P16》 ）
根据每部电影的打斗镜头数，和接吻镜头数来做电影分类
现在已经知道6部电影的打斗，接吻镜头数和电影分类。对于一部未知影片，已知打斗和接吻镜头数，如何得到这部电影的分类？
我们计算电影和电影之间的距离，按照向量坐标距离计算，未知电影和已知电影的距离：
按照距离递增排序，可以找到k个最近的电影，让k=3，即Kevin Longblade，Robo Slayer 3000，Amped 这三部爱情片的距离最近，因此我们判定未知电影为爱情片。这个简单例子是KNN算法的简明阐述。划重点了：
如果一个样本在特征空间中有k个最近邻的特征点（已知分类），而这k个特征点中大多数属于某一个类别，那么这个样本属于那一类的概率最大。
KNN算法的具体实现流程如下：
1.初始化距离为最大值
2.计算未知样本与每个训练样本的距离d（多种距离计算方法）
3.得到目前的k个最近邻的的最大距离dMax
4.重复步骤2，4，需要计算所有未知样本与已知样本的距离（也是KNN的计算复杂缺陷）
5.统计k个最近邻样本中数量最大的所属类别，确定未知样本的分类。
KNN也可以用来做回归，样本的k个最近邻居，可以计算样本与邻居的平均值，或将不同邻居的影响权值赋给该样本，得到新的样本。
KNN的Python代码比较简单，示例一小段KNN代码，红框中的内容是关于距离计算的步骤
