K近邻算法：就是说给定一个训练数据集，对新的输入实例，在训练集中找到与这个实例最邻近的K个，这K个实例的多数属于某个类，就把这个新输入的分类到哪个类中。（少数服从多数？）
K值的选取：
太小：整体模型复杂，容易发生过度拟合（很容易学习到噪音）
太大：整体模型简单，这时与新输入实例无关的训练实例也会起作用
如何选取：一般选取一个较小的数值，然后采取交叉验证法选取最优
#就是说，关键要实验调参
定义距离：最常见的就是欧式距离
特征归一化：
因为各个特征变化的区间范围不同，可能不同种类实例的特征x变化区间是0-100；特征y变化的区间是0-1，如果不做归一化，会产生一种结果：x起主要作用,而y不起作用了
