KNN算法的核心思想：如果一个样本在特征空间中的k个最邻近的样本大多数属于某一类别，则该样本也属于该类别

KNN算法的结果很大程度上取决于K的取值，下面进行说明：

如果k=5 则上图中的红点属于三角形所属类，因为三角形所属类占3/5，而四边形类只占了2/5，如果k=11,则红点属于四边形类，四边形类占8/11，而三角形类占3/11

KNN中，样本的距离一般采用欧式距离或曼哈顿距离

 

欧式距离d(x,y)=sqrt(∑_{k=1 t0 n}(x_k-y_k)²)

 

曼哈顿距离d(x,y)=sqrt(∑_{k=1 to n}abs(x_k-y_k))

 

KNN算法的描绘：

(1) 计算测试数据与训练数据之间的距离

(2)将距离从小到大排序

(3)选取前K个样本

(4)确定K个样本所属类的频率

(5)将测试数据所属类标记为上述频率最高的类别