k近邻算法（KNN）：采用不同特征值之间的距离方法来分类。
优点：精度高，对异常值不敏感、无数据输入设定。
缺点：计算复杂度高、空间复杂度高。
适用范围：数值型和标称型。工作原理：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类之间的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似（最邻近的）分类标签。一般，我们只选取本样本集中前k个最相似的数据，这就是k近邻算法k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现的次数最多的分类，作为新数据的分类。
KNN算法实施流程：
1、计算已知类别数据集中的点与当前点之间的距离；
2、按照距离递增的顺序排序；
3、选取与当前点距离最小的k个点；
4、确定前k个点所在类别的出现概率；
5、返回前k个点出现频率最高的类别作为当前的预测分类。例子：
1、电影题材分类
2、海伦约会
3、手写数字识别