KNN算法
k近邻算法(k-nearest-neighbor)，对于一个样本，在一个特征空间中的k个最相似的样本中的大多数都属于一个类别，则该样本也属于该类别。KNN不仅适应于分类，还适应于回归，通过找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，作为预测值。
两个样本之间的距离通过欧式距离来计算。
举例：
在计算两个样本之间的距离时，特征有什么影响？需要对数据做些什么？
直接对两个原始数据的样本进行欧式距离计算，特征值数据范围大小不一样会使得分类不准确，需要对数据标准化。
API:
sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
n_neighbors：int,可选（默认= 5），k_neighbors查询默认使用的邻居数
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’将使用 KDTree。‘auto’将尝试根据传递给fit方法的值来决定最合适的算法。 (不同实现方式影响效率)