1、简介
knn，the k nearestNeighbor，也就是最k个邻居的意思。因此涉及到两个变量的问题，k的选择以及距离的选择。
对于k值的选择，有几点需要考虑；
（1）如果当K的取值过小时，一旦有噪声得成分存在们将会对预测产生比较大影响，例如取K值为1时，一旦最近的一个点是噪声，那么就会出现偏差，K值的减小就意味着整体模型变得复杂，容易发生过拟合；
（2）如果K的值取的过大时，就相当于用较大邻域中的训练实例进行预测，学习的近似误差会增大。这时与输入目标点较远实例也会对预测起作用，使预测发生错误。K值的增大就意味着整体的模型变得简单；
（3）如果K==N的时候，那么就是取全部的实例，即为取实例中某分类下最多的点，就对预测没有什么实际的意义了；
（4）K的取值尽量要取奇数，以保证在计算结果最后会产生一个较多的类别，如果取偶数可能会产生相等的情况，不利于预测。
基于以上考虑，k的取值遵循如下原则：
常用的方法是从k=1开始，使用检验集估计分类器的误差率。重复该过程，每次K增值1，允许增加一个近邻。选取产生最小误差率的K。一般k的取值不超过20，上限是n的开方，随着数据集的增大，K的值也要增大。
对于距离的选择
关于距离的度量方法，常用的有：欧几里得距离、余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）或其他。
在knn中最常选择的距离为欧几里得距离，为各维度特征值的差的平方和最终开方。
至于最终的决策机制，一般选用多数投票机制。也就是在k个邻居中，所持有个数最多的标签为预测标签。
2、KNN的优缺点
（1）优点
1）简单、有效，重新训练的代价较低（类别体系的变化和训练集的变化，在Web环境和电子商务应用中是很常见的）
2）计算时间和空间线性于训练集的规模（在一些场合不算太大）
3）由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合
4）该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分
（2）缺点
1）KNN算法是懒散学习方法（lazy learning,基本上不学习），一些积极学习的算法要快很多
2）类别评分不是规格化的（不像概率评分）
3）输出的可解释性不强，例如决策树的可解释性较强
4）该算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数
5）计算量较大。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。
以上总结为各博客阅读片段的组合，拟形成系统性总结待日后翻阅巩固。
