最邻近规则分类算法(K-Nearest Neighbor)，Cover和Hart在1968年提出了最初的邻近算法，也被称为基于实例的学习或懒惰学习，与决策树算法相比，处理训练集的时候并不建立任何模型，进行分类时才将测试样例和所有已知实例进行比较进而分类。
如上图，主要有两种色块，蓝色方块和红色三角，对绿色未知圆点进行判断分类，其属于红色还是蓝色？
KNN算法一般可以分为两步，为了判断未知实例的类别，会以所有已知实例作为参照，计算未知实例与所有已知实例的距离。所以第一步先分别计算出圆点和所有色块的距离。
第二步，选择一个参数K，判断离未知实例最近的K个实例是什么类型，以少数服从多数的原则进行归类。
上图中，假如我们选择K的值是1，则离未知实例最近的一个色块是蓝色，未知实例被归类为蓝色。假如我们选择K的值为4，则很明显，离未知实例最近的4个色块3个是红色，1个是蓝色，未知实例被归类为红色。
所以K的选择对结果的影响很大，一般为了得出结果K选择奇数，通过增大K也可以增强对噪音数据的健壮性。
对于距离的衡量方式有很多种，最常用的是Euclidean distance:
二维的下距离计算公式如上图简单的数学公式，扩展到n维下x,y两点的距离公式：
KNN算法优点是简单易于理解和实现，缺点是需要大量的空间存储所有实例，因为未知实例要和所有实例进行计算算法复杂度高，而且当一类样本过大，则不管未知实例属于哪一类都很容易归为数量过大的这一类。
如图：
Y点肉眼去看因为在红色区域内很容易判断出多半属于红色一类，但因为蓝色过多，若K值选取稍大则很容易将其归为蓝色一类。为了改进这一点，可以为每个点的距离增加一个权重，这样里的近的点可以得到更大的权重，比如距离d，权重1/d。
再计算一个例子：
根据电影的打斗次数和接吻次数，将电影分类为Romance和Action，已经有6个已知样例，怎么样根据未知样例的打斗次数和接吻次数判断其电影类型？
将打斗次数和接吻次数作为二维坐标，判断每个已知样例电影与未知电影的距离，可以得出最近的3个电影都是Romance电影，则未知电影判断为Romance电影，这就是KNN算法。
最邻近规则分类算法(K-Nearest Neighbor)，Cover和Hart在1968年提出了最初的邻近算法，也被称为基于实例的学习或懒惰学习，与决策树算法相比，处理训练集的时候并不建立任何模型，进行分类时才将测试样例和所有已知实例进行比较进而分类。
如上图，主要有两种色块，蓝色方块和红色三角，对绿色未知圆点进行判断分类，其属于红色还是蓝色？
KNN算法一般可以分为两步，为了判断未知实例的类别，会以所有已知实例作为参照，计算未知实例与所有已知实例的距离。所以第一步先分别计算出圆点和所有色块的距离。
第二步，选择一个参数K，判断离未知实例最近的K个实例是什么类型，以少数服从多数的原则进行归类。
上图中，假如我们选择K的值是1，则离未知实例最近的一个色块是蓝色，未知实例被归类为蓝色。假如我们选择K的值为4，则很明显，离未知实例最近的4个色块3个是红色，1个是蓝色，未知实例被归类为红色。
所以K的选择对结果的影响很大，一般为了得出结果K选择奇数，通过增大K也可以增强对噪音数据的健壮性。
对于距离的衡量方式有很多种，最常用的是Euclidean distance:
二维的下距离计算公式如上图简单的数学公式，扩展到n维下x,y两点的距离公式：
KNN算法优点是简单易于理解和实现，缺点是需要大量的空间存储所有实例，因为未知实例要和所有实例进行计算算法复杂度高，而且当一类样本过大，则不管未知实例属于哪一类都很容易归为数量过大的这一类。
如图：
Y点肉眼去看因为在红色区域内很容易判断出多半属于红色一类，但因为蓝色过多，若K值选取稍大则很容易将其归为蓝色一类。为了改进这一点，可以为每个点的距离增加一个权重，这样里的近的点可以得到更大的权重，比如距离d，权重1/d。
再计算一个例子：
根据电影的打斗次数和接吻次数，将电影分类为Romance和Action，已经有6个已知样例，怎么样根据未知样例的打斗次数和接吻次数判断其电影类型？
将打斗次数和接吻次数作为二维坐标，判断每个已知样例电影与未知电影的距离，可以得出最近的3个电影都是Romance电影，则未知电影判断为Romance电影，这就是KNN算法。