例子：
算法介绍：
步骤：
- 为了判断未知实例的类别，以所有已知类别的实例作为参照
- 选择参数K
- 计算未知实例与所有已知实例的距离
- 选择最近K个已知实例
- 根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别
细节：
其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）
算法优点:
- 简单。
- 易于理解。
- 容易实现。
- 通过对K的选择可具备丢噪音数据的健壮性。
算法缺点：
- 需要大量空间储存所有已知实例。
- 算法复杂度高（需要比较所有已知实例与要分类的实例）。
- 当其样本分布不平衡时，比如其中一类样本过大（实例数量过多）占主导的时候，新的未知实例容易被归类为这个主导样本，因为这类样本实例的数量过大，但这个新的未知实例实际并木接近目标样本。
最邻近规则分类KNN算法
原文：http://www.cnblogs.com/bahcelor/p/7239997.html
