KNN（K-nearest-neighbor）-K最近邻算法
1、算法简介
1）已知训练样本（分类）；
2）对测试样本，基于某种距离度量找出训练样本中与其距离最近的K个样本；
3）基于K个训练样本中出现概率最高的类别作为测试样本的分类结果；
2、针对算法可以优化的内容：
1）距离度量方式：
2）K值得选取：
3、存在的问题：
1）高维样本空间下的样本稀疏、距离计算困难，这种情况下导致的维数灾难，引出了降维
2）降维效果的衡量，通常对比降维后学习器的性能是否优于降维前的性能，如果性能有所提升，通常称降维起到了效果
4、降维方法介绍
1)主成分分析（Principal Component Analysis）
2)核主成分分析（Kernelized Principal Componet Analysis）
基于核技巧对线性降维方法进行核化
3) 流行学习（借鉴拓扑流形概念）ff
a、等度量映射（涉及：Isomap算法）：高维空间往低维空间映射
b、局部线性嵌入（Locally Linear Embedding）
5、度量学习
学习一个合适的距离度量
6、代码实现
待补充
