k近邻算法采用测量不同特征值之间的距离方法进行分类。
优点：精度高、对异常值不敏感、无数据输入假定。
缺点：计算复杂度高、空间复杂度高。适用数据范围：数值型和标称行。
工作原理：存在一个样本数据集合，也成训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似的数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。
使用打斗和接吻镜头数分类电影
欧式距离计算公式
解决思路
归一化处理
上面就是归一化，不归一化，值大的相当于权重就大，而权重的大小是应该我们去添加的，不是由值的大小来
对于归一化，我们一般有三种处理方法。
1、[（原值-最小值）/（最大值-最小值）]*（新的最大值-新的最小值）+新的最小值。
2、（原值-均值）/标准差
3、小数的规范化，就是移动小数点位，归化到0-1之间
