图像分类的正确与否取决于它的最近邻值，可以看到KNN的表现效果不是很好，但如果我们使用一个更大的k值，可能会对噪音产生更大的鲁棒性。
当我们使用k-近邻算法时，确定我们应该如何比较相对近邻数据距离值图片间的不同，上节的L1 方法是像素之间绝对值的总和；另一种常见的选择是L2距离，也就是欧氏距离，即取平方和的平方根，并把这个作为距离。
L2距离实际上是一个根据L1距离的这个围绕着原点的方形形成的圆。这个方形上的每一个点在L1上是与原点等距的，而在L2上类似的会是一个圆。L1距离取决于你选的坐标系统，所以如果转动坐标轴，将会改变点之间的L1距离，而改变坐标轴对L2距离毫无影响。
image.png
如果你输入的一些特征向量，如果向量中的一些值有一些重要的意义，L1可能更合适，但如果它只是某个空间中的一个通用向量，L2可能更自然些。通过使用不同的距离度量，可以将k-近邻分类器泛化到许多不同的数据类型上，不仅仅是向量，图片。
设定超参的一个方法是 将数据集划分为训练集，验证集，测试集3部分，在训练集上设置不同的参数训练分类器，在验证集上选择效果最好的超参的分类器，然后在测试集上进行测试，查看这个分类器在新的数据集上是否效果最佳。
image.png
image.png
实际上，KNN在图像分类中很少用到，一个是因为他在测试时运算时间很长，同需求不符，另一个是因为L1或L2距离度量用在比较图像上实在不太合适，这种向量化的函数不太适合表示图像之间视觉的相似度。
那么，如何区分图像间的不同呢？
KNN介绍了图像分类的基本思路，借助训练集的图片和相应的标记我们可以预测测试集中数据的分类。
