K近邻算法（一）

K 近邻算法思想：

寻找该点周围最近的K个点。根据这K 个点的类别来判断该点的类别；

核心： 数据归一化。（在必要的时候必须进行数据归一化处理，防止某一特征在计算数据时占比较重）

计算欧拉距离 。使用python中 np的向量相减后的平方再开根号

distances = []

for x_train in X_train:

    d = sqrt(np.sum((x_train - x) ** 2))

    distances.append(d)

或

distances = [sqrt(np.sum((x_train-x)**2)) for x_train in X_train]

比较欧拉距离。获取距离由近到远的索引下标：

nearest = np.argsort(distances)   #返回的是从小到大的对应索引

选择K个最近的，并统计类型。

topK_y = [y_train[i] for i in nearest[:k]]       #选前k个

c = Counter(topK_y)       #统计类型

print(c.most_common(1)[0][0])   #输出计数最高的那个元组中的值

巴特西