用官方的话来说，所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。
如果你之前没有学习过K最近邻算法，那今天几张图，让你明白什么是K最近邻算法。
图说开始
先来一张图，请分辨它是什么水果
很多同学不假思索，直接回答：“菠萝”！！！
仔细看看同学们，这是菠萝么？那再看下边这这张图。
这两个水果又是什么呢？
这就是菠萝与凤梨的故事，下边即将用菠萝和凤梨，给大家讲述怎么用一个算法来知道这是个什么水果的过程，也就是什么是K最近邻算法。
（给非吃货同学们补充一个生活小常识，菠萝的叶子有刺，凤梨没有。菠萝的凹槽处是黄色的，而凤梨的凹槽处是绿色的，以后千万不要买错哦！！！）
上边这张图中，我们定义了两个维度的特征：
一个是叶子是否有刺
一个是凹槽处是否的颜色
问：一个新的水果来了，我们怎么判断他是什么水果呢？
方法如下：
（看这个神秘水果与哪个水果的举例近。同等举例，看离它最近的水果中，哪个水果多）
根据上图中，我们判断，这个神秘水果那就是菠萝啦，原因是离它近的水果中菠萝比凤梨多。
相信到这里，大家都已经明白了什么是K最近邻算法了吧！
下边来具体学习一下距离的计算
假设我们有3中不知名的水果
我们现在根据其大小和颜色的特征，把它们放入图表中
那如我们如何判断他们有多像呢？
具体的计算，可以使用毕达哥拉斯公式
那现在来计算水果A和水果B之间的距离
最后的计算结果为1
那么同理，如果要让你去做一个推荐系统，我们可以把人的用户画像放在一个表格里
如果我们给其中一个人推荐他可能感兴趣的书、电影、美食等，就可以看一下离他最近距离的这些人都在做什么，然后就套用下边的公式就可以了
无论多少维度，直接套用就可以了。
图说算法，是不是非常的简单就理解了KNN。
祝大家学习愉快，欢迎转发。
