机器学习中，K近邻用于分类。如果把图像看成是像素点组成的一个矩阵，则也可以用K近邻做分类。
K近邻中涉及的两个参数：（1）距离选择，用L1还是L2，或者其他？（2）K的取值？这两个参数称为超参数（hpyer parameters），需要在模型训练时做出选择。
L1距离，又称为Manhattan距离，是两点之间的差的绝对值。L2距离，又称为欧氏距离，是两点之间差的平方开平方根的结果。
Q1：如果用L2距离，模型在训练集上的准确率如何？A1：accuracy=100%
Q2：模型在训练集上的准确率如何？A2：not sure. （之前有做过测试，第一反应是肯定是100%，因为训练集上的数据已经用于训练了，再把它拿来测试，相当于考试出的题目是题库里一模一样的题，必定答对……直到实验过后，才发现并不一定能达到100%的准确率）
Q3：如何设置超参数（best distance? best value of k?）？A3：problem-dependent。穷举所有的K，选择达到最高准确率的那一个K值。可以对训练集做交叉验证，不允许在测试集上调参。
在实际应用中，并不使用KNN做图像分类，原因：（1）在测试集上的效果不好；（2）不同测试集计算出的距离可能相同，也就是说距离并不能作为区分不同类别的依据。
