KNN是一种基本分类与回归方法，本篇只总结分类问题中的KNN。
- 输入：样本的特征向量，对应于特征空间中的点
- 输出：样本的类别，可取多类
- 算法思想：给定一个样本类别已知的训练数据集，对于新样本，根据其K个最近邻训练样本的类别，通过多数表决等方式进行类别预测。（不具有显式的学习过程） 实际是利用训练数据集对特征向量空间划分，并将其作为其分类的“模型”
- 三个基本要素（当三个要素确定后，结果唯一确定）：
- K值的选择（交叉验证法）：K太小，整体模型会变得复杂，易过拟合；K太大，模型太简单。
- 距离度量（常用欧氏距离、常用Lp、曼哈顿距离、Minkowski）：特征空间中两个样本的距离是两个样本相似程度的反映
- 分类决策规则【多数表决规则，（加权）投票法】； 回归问题【（加权）平均法】
- kd树（kd tree）
- 存储K维空间数据的结构，以便快速检索
- 二叉树，表示对k维空间的一个划分，每个结点对应于k维空间划分中的一个超矩形区域
- 更适用于训练样本远大于空间维数时的K近邻搜索，当空间维数接近训练样本数时，效率迅速下降，几乎接近线性扫描
- N为训练样本数时，复杂度O（logN）