首先是KNN中用到的距离计算公式，L1和L2如下：
图示KNN的计算过程：
图中有种类 a o，当需要确定c属于哪个种类时，可以使用KNN
计算c到所有a和所有o的距离，L1或者L2均可。如图示取K为3，即取到3个较小值。
因为较小值中包含在o种类的数量多，所以确定c种类为o：
当K为1时，即为最近邻。同时KNN需要注意的点：
1.取K为奇数
2.K个较小值中尽量包含少的种类
3.在实际中需要权衡训练时间和测试时间，最近邻不需要训练时间，但是需要很多的测试时间。
可以使用KNN运算库:ANN 来进行计算。在数据可视化中会使用KNN.
reference：https://www.youtube.com/watch?v=UqYde-LULfs
2.3 cross-validation 交叉验证
KNN中K的取值是不确定的，称之为hyperparameter，即超参数。通过cross-validation即交叉验证的方式来选取合适的K值。
选取validation集：将原始训练集拆分成多个数据集合，使用其中之一作为验证集。
验证过程：选取K后，对验证集进行计算，得到不同验证集上的准确率，对准确率取平均值，平均准确率较好的K值为合适的超参数。
绘制准确率曲线，得到合适的超参数：此处选择K = 7
当然最重要的是课程的最后总结：
瞬间爆炸。。。
3、线性分类器
所谓线性分类器，是对输入数据进行线性的计算，最终得到预测label的概率值：
参数设置：注意此时加了bias也就是截距 b：
对线性分类器进行分类界面的可视化：
那么问题来了：解释加bias的原因？
如果没有bias，所有的分类界面均经过原点。可区分性降低。
bias在CNNs中也会使用。原因类似。
线性分类器总结：
图片来源：CS231n winter 课件。
附：通关CS231n企鹅群：578975100 validation：DL-CS231n