定义理解 在样本集中的数据是之前已经分类完成的，当要给新的特征进行分类时，将它与样本的特征进行距离比较，选择前K个最相似的特征。其结果很大程度上取决于K的选择 此处距离可以选择欧式距离、曼哈顿距离、余弦相似度 欧式距离：d=(x2−x1)2+(y2−y1)2d=\sqrt{(x_{2}-x_{1})^2+(y_{2}-y_{1})^2}d=(x2−x1)2+(y2−y1)2 曼哈顿距离：d=∣x1−x2∣+∣y1−y2∣d=|x_{1}-x_{2}|+|y_{1}-y_{2}|d=∣x1−x2∣+∣y1−y2∣ 余弦相似度：d=∑1nxiyi∑1nxi2∑1nyi2d=\frac{\sum_{1}^{n}x_{i}y_{i}}{\sqrt{\sum_{1}^{n}x_{i}^2}\sqrt{\sum_{1}^{n}y_{i}^2}}d=∑1nxi2∑1nyi2∑1nxiyi KNN算法的描述 计算待测特征与样本集的距离 对距离进行排序 选出K个最小距离的类别作为候选类别 根据候选类别分类 相关文章：