knn(k-NearestNeighbor):邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。
理解：计算出每个预测对象临近对象（已知类型）的对象，在限定k值（邻居数量）的条件下，预测对象的类型，被判定为k个最近的邻居中类型占比最大的那种类型。
理解示例： 每个人已知三个特征：“身高（cm）”，“每天饮食量（kg）”，“每天跑步里程(km)”,预测张小明(15)体重是“胖”还是“瘦”。现有5个已知胖瘦的人信息,具体数据信息如下：
| 姓名 | 体重类型 |
| 东方不败(165,4,10) | 胖 |
| 独孤求败(175,3,12) | 瘦 |
| 西门吹雪(154,4,10) | 胖 |
| 令狐冲(175,2,10) | 瘦 |
| 曾阿牛(175,2,10) | 胖 |
| 姓名 | 体重类型 | 距离张小明距离 |
| 东方不败(165,4,10) | 胖 | 103 |
| 独孤求败(175,3,12) | 瘦 | 101 |
| 西门吹雪(154,4,10) | 胖 | 104 |
| 令狐冲(175,2,10) | 瘦 | 102 |
| 曾阿牛(175,2,10) | 胖 | 104 |
当k=3（取三个最近的邻居）：则离张小明最近的邻居中：占比最多为瘦人，瘦人占比：2/3=67% 则张小明体重为瘦。
当k=5（取五个最近的邻居）：则离张小明最近的邻居中：占比最多为胖人，胖人占比：3/5=60% 则张小明体重为胖。
疑问理解：预测对应和对应的邻居如何计算？
使用预测对象的每个特征和已知对象的每个特征 之间的差异值进行测算。计算方法，一般使用欧式距离或曼哈顿距离：
其算法的描述为：
1）计算测试数据与各个训练数据之间的距离；
2）按照距离的递增关系进行排序；
3）选取距离最小的K个点；
4）确定前K个点所在类别的出现频率；
5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。