更多的关于k近邻算法的思考
KNN（K- Nearest Neighbor）法即K最邻近法，数据挖掘分类技术中最简单的方法之一
对k近邻算法的总结：
优点部分
其可以解决分类问题，同时可以天然的解决多分类问题
其具备着思想简单，效果强大优点
同时，还可以使用k近邻算法来解决回归问题
对于我们要预测的k个节点，可以根据这k个样本的情况来解决，sklearn已经封装好了一个用来解决回归问题
缺点部分
最大的缺点就是效率低下
如果训练集有m个样本，n个特征，则预测每一个新的数据，需要o(m*n)的时间复杂度
当然，也有解决的方法，像是使用树结构：KD-tree,Ball-tree
除此之外，还有其他的问题，像是高度数据相关，虽然机器学习算法基本都是高度数据相关，但是相对而言，影响更加的厉害
同时，预测结果不具有可解释性也是其缺点之一
其很大的一个缺点，就是维度灾难
随着维度的增加，看似相近的两个点之间的距离会越来越大
其解决方法：降维
机器学习的流程回顾
