4.1 最近邻规则分类算法（KNN）

1. 综述
   1.1 Cover和Hart在1968年提出了最初的邻近算法
   1.2 分类(classification)算法
   1.3 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)

2. 例子：
   

     未知电影属于什么类型？

3. 算法详述

 3.1 步骤： 为了判断未知实例的类别，以所有已知类别的实例作为参照 选择参数K 计算未知实例与所有已知实例的距离 选择最近K个已知实例 根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别 3.2 细节: 关于K 关于距离的衡量方法:     3.2.1 Euclidean Distance 定义

 其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance） 3.3 举例

1. 算法优缺点：
   4.1 算法优点
   简单
   易于理解
   容易实现
   通过对K的选择可具备丢噪音数据的健壮性

   4.2 算法缺点
   
   需要大量空间储存所有已知实例
   算法复杂度高（需要比较所有已知实例与要分类的实例）
   当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本

2. 改进版本
   考虑距离，根据距离加上权重
   比如: 1/d (d: 距离）