K-近临算法，有叫KNN算法，机器学习常用的一种算法，用于对多个维度的信息进行归类，打标签, 指纹识别，手写数字识别，人脸识别等。算法的特点是简单易懂， 适用数据范围是数值型和标称型，缺点是效率不高。
基本思路如下:
- 遍历样本中的每一条信息，并计算与当前待分类信息的距离。这里利用的是欧氏距离公式。
- 按照距离递增次序排序
- 选取与当前点距离最小的K个点
- 确定前K个点所在类别的出现频率
- 返回前N个点出现频率最高的类别作为当前点的预测分类
然后可以和测试样本中的数据进行比对，并计算错误率，完美分类器的错误率为0 , 最差分类器的错误率是1。
此外当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。
当各个维度不是平等的话，更有用的做法是对数据添加权值(Weight)， 如权值与距离成反比。
可以使用Matplotlib对数据做比较直观的呈现