k邻近简单的理解一下就是，给定一部分带标签样本和一个未知标签样本，将未知标签样本和带标签样本一一比较求距离，然后根据最近k个样本来决定未知标签样本的类别。
如上图：确定圆圈的类别，如K=3，则为三角；若K=5，则为正方形。
那么怎么求距离？选择何种求距离算法。
书中给出了Lp距离的求解：
除了距离度量外，K邻近法的K值如何选取也很重要，书中介绍如下：
K值较小，模型较复杂，易过拟合；K值较大，模型简单。
按照开始我说了，用未知样本和已知样本一一对比方法，在样本数很大时，会花费很多很多时间，有没有一种策略，来加速这种对比呢：下面就要将书中提到的KD树。
构建平衡KD树：
KD树搜索：
除了KD树这种方式还有其他的加速方式：先要详细了解的见：
http://www.cnblogs.com/v-July-v/archive/2012/11/20/3125419.html
上述链接详细讲解了knn算法中的距离度量和k邻近优化方法。
理论永远都在纸上，怎么用才是关键，python代码链接奉上：
http://blog.csdn.net/wds2006sdo/article/details/51933044