K-近邻算法（KNN）

KNN分类算法
KNN核心思想：             你的"邻居"来推断出你的类别
如果取的最近的电影数量不一样？会是什么结果？                 k 值取得过小，容易受到异常点的影响                 k 值取得过大，样本不均衡的影响
优点：简单，易于理解，易于实现，无需训练缺点：     1）必须指定K值，K值选择不当则分类精度不能保证     2）懒惰算法，对测试样本分类时的计算量大，内存开销大使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试
API
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')
n_neighbors：k值
algorithm:{'auto', 'ball_tree', 'kd_tree', 'brute'},
可选用于计算最近邻居的算法：
'ball_tree':将会使用BallTree
'kd_tree':将会使

K-近邻算法（KNN）最先出现在Python成神之路。