K近邻算法（K-nearest Neighbor，简称KNN）
KNN是种最简单的机器学习算法了，结合书本定义和自我理解，K近邻算法的原理是：
对于新的测试数据集，使用某种距离度量找出在训练集中最为接近的K个训练样本。
- 在分类任务中，使用“投票法”：选择K个样本实际值中出现最多次数的值作为预测结果。
- 在回归任务中，使用“平均法”：选择K个样本实际值的平均值作为预测结果。
实际上K近邻学习是懒惰学习（lazy learning）的一种，在训练阶段仅保存样本数据，训练开销时间为0，有了测试样本数据后再进行学习处理。与之对应的是在训练阶段就要处理数据的方法，称为急切学习（eager learning）
通过一个简单对比示例来说明吧,show me the code~.
#近邻选择K=1
mglearn.plots.plot_knn_classification(n_neighbors=1)
plt.title("K=1")
image.png
#近邻选择K=3
mglearn.plots.plot_knn_classification(n_neighbors=3)
plt.title("K=3")
image.png
mglearn.plots.plot_knn_classification(n_neighbors=4)
plt.title("K=4")
image.png
通过对比以上K取值（1,3,4）时，对应测试数据（三个五角星）的颜色取值即可发现KNN的算法效果。
即：对于分类任务，使用投票法选择测试数据的K个近邻数据中出现频数最大的值作为预测值。
写此文的时候发现，开始掉头发了，果然这玩意很烧脑。o(╥﹏╥)o
