介绍一下K近邻（KNN）算法，KNeighbors和RadiusNeighbors的差异是什么？各有什么优势？

介绍一下K近邻（KNN）算法，KNeighbors和RadiusNeighbors的差异是什么？各有什么优势？

K近邻（KNN）算法

近邻（Nearest Neighbor）算法既可以用于监督学习（分类），也可以用于非监督学习（聚类），它通过按照一定方法查找距离预测样本最近的n个样本，并根据这些样本的特征对预测样本做出预测。

KNN算法又被称为K近邻算法(k-nearest neighbor classification)算法，可以用于分类和回归任务（也适用于多输出的分类和回归预测和回归）。

KNN算法被称为基于实例的算法模型；

该模型的预测过程对于新的数据则直接和训练数据匹配，如果存在相同属性的训练数据，则直接用它的分类来作为新数据的分类。这种方式有一个明显的缺点，那就是很可能无法找到完全匹配的训练样本，或者实际找到的样本根本距离很远但是相对最近了还是这K个。

KNN算法是从训练集中找到和新数据最接近的K条记录，然后根据他们的主要分类来决定新