k-近邻算法

k-近邻算法（kNN）采用测量不同特征值之间的距离方法进行分类。

使用数据范围：数值型和标称型。 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。

k-近邻算法的一般流程：

1. 收集数据。
2. 准备数据：格式化数据格式、归一化。
3. 分析数据。
4. 训练算法：不适用于k-近邻算法。
5. 测试算法：计算错误率。
6. 使用算法。

实施步骤：

对未知类别属性的数据集中的每个点依次执行以下操作：

1. 计算已知类别数据集中的点与当前点之间的距离；
2. 按照距离递增次序排序；
3. 选取与当前点距离最小的k个点；
4. 确定前k个点所在类别的出现频率；
5. 返回前k个点出现频率最高的类别作为当前点的预测分类。