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)
基于实例（根据已有的例子学习），懒惰学习（没有模型）
根据距离进行学习
2. 例子：
Paste_Image.png
未知电影属于什么类型？
Paste_Image.png
前三个为一组，后三个为一组，k为3
Paste_Image.png
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（距离最近的个数的考虑范围）
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
Paste_Image.png
3.2 细节:
关于K（K很重要，决定了参考类别的数量），通常为奇数
关于距离的衡量方法:
3.2.1 Euclidean Distance 定义
Paste_Image.png
Paste_Image.png
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
Paste_Image.png
4. 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
Paste_Image.png
（1）需要大量空间储存所有已知实例（需要存储所有点计算距离）
（2）算法复杂度高（需要比较所有已知实例与要分类的实例）
（3）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
5. 改进版本
考虑距离，根据距离加上权重
比如: 1/d (d: 距离）