文章导读：
K邻近算法思想：存在一个样本数据集合，称为训练样本集，并且每个数据都存在标签，即我们知道样本集中每一数据（这里的数据是一组数据，可以是n维向量）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（向量的每个元素）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的分类标签。由于样本集可以很大，我们选取前k个最相似数据，然后统计k个数据中出现频率最高的标签为新数据的标签。
K邻近算法的一般流程：
（1）收集数据：可以是本地数据，也可以从网页抓取。
（2）准备数据：将数据结构化，方便操作。
（3）分析数据：可以使用任何方法。
（4）训练算法：此步骤不适用于k邻近算法。
（5）测试算法：计算错误率；计算公式：错误率=测试出错次数/总测试次数
（6）使用算法：输入样本数据，输出结构化的结果，判断新数据属于哪个分类。
