概述：
给定一个训练数据集，对新的输入实例，在训练数据据集中找到与该实例最近邻的K个实例，这K个实例的多数属于某个类，就把该实例分为这个类
K近邻算法的三要素：
1、K值的选择
2、距离的度量
3、分类决策规则
注：K近邻算法中，当训练集、距离度量、K值、及分类决策规则确定后，对于一个新的输入实例，其输出的所属类别也就确定了
K值的选择：
K值的选择对K近邻算法有重大的影响，如果K值较小，就会使“学习”的近似误差减小，“学习”的估计误差增大；即只有与输入实例较近的训练实例才会对预测结果有影响，只用一小部分与之相近的数据参与新数据的分类；如果这些数据恰巧是噪声数据，预测就会出错；也就是说，K值选得较小，就会使模型的复杂度增大，发生过拟合（极端K=1）
同时，如果K值较大，就会使“学习”的近似误差增大，“学习”的估计误差减小；这时与训练数据较远（不相似）的训练数据也会对预测产生影响，可能时预测产生错误；K值较大，则更能学习到训练数据集内部的规律；也就是说，K值较大，会使模型的复杂度降低（极端的K = N）
一般的，K值取一个较小的值，通常采用交叉验证法来求取最优的K值
距离的度量：
包括欧式距离、曼哈顿距离等（见统计学习）
分类决策规则：
分类决策规则即是当已知K个训练实例的类别时，我们怎样通过这些实例的类别来确定新输入实例（未知实例）的类别；其中用得最多的往往是多数表决法，即选定K个实例中最多的类别为未知实例的类（见统计学习）
然而，实现K近邻算法时，主要考虑的是如何对训练数据快速地K近邻搜索，这在特征空间的维数比较大及训练数据较多时尤为重要
最简单的方法就是线性扫描，即将输入实例与训练数据逐一计算距离，这样的计算是非常耗时的；为了提高K近邻搜索的效率，我们考虑使用特殊的结构存储训练数据，下面就介绍其中的一种KD树（kd tree)方法