今天看到这里的案例非常有意思，即以坐标轴中的坐标来作为参数。计算不同点的距离。实际上就是标记一些用户的喜好和习惯，不同的维度代表不同的项目，在这个维度上的值可表示喜好程度。电影评分、音乐收藏...总之，很多情况都可以用，很有趣。就是标记了很多用户，看哪些用户比较相近，来进行推荐。
分类和回归
分类就是编组。
回归可以做预测。将几个最近的“邻居”情况相加算出来平均值，就是我们要预测的个体的情况。两个人品味相近更多的时候使用余弦相似度（cosine similarity）,不比较两个矢量之间的距离而是比较角度，更适合这种品味相近的情况。如果要使用KNN算法，必须好好研究一下 余弦相似度。
使用KNN算法挑选合适的特征比较至关重要，合适的特征是（已复杂的推荐 电影为例）：
与要推荐的电影紧密相关的特征
不偏不倚的特征（搜集数据的时候，不要仅限定某些特定的 一个关联方面 的情况）
挑选合适的特征没有放之四海而皆准的标准。
机器学习：
ocr 光学字符识别（optical character recognition）,意味着你拍摄照片时，计算机可以识别其中的文字。
自动识别，使用KNN算法：
浏览大量数字图像，将这些数字的特征提取出来。 （训练 training）
遇到新图像时，你提取该图像的特征，找出它最近的特征是谁。
垃圾邮件过滤器-- 朴素贝叶斯过滤器（Naive Bayes classifier）,先使用一些数据对这个分类器进行训练：
以后也许会接触到更有意思的算法。这里不做任何形式上的记录，纯粹作为一次简单有趣的记录。
有需要我再来补充这次记录。