k-近邻算法（KNN)

优点：精度高，对异常值不敏感，不需要数据输入假定

缺点：计算复杂度高，空间复杂度高

适用数据范围：数值型（在无限的数据中选取，数据连续）和标称型（在有限的数据中选取，存在true和false两种结果，数据离散）

工作原理：当存在一个训练样本集，且样本中的每个数据都存在标签，即能知道样本集中每个数据与所属分类的对应关系。

                 在输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最为相似的数据的分类标签。一般我们只选择样本数据集中前k个最为相似的数据，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。        ————引自《机器学习实战》

一般流程：

1. 收集数据

2. 准备数据

3. 分析数据

4. 训练算法

5. 测试算法：计算预测错误率

6.使用算法