无标题文章

1. 综述
   1.1 Cover和Hart在1968年提出了最初的邻近算法
   1.2 分类(classification)算法
   1.3 输入基于实例的学习(instance-based learning), 懒惰学习(lazy learning)

2. 例子：

      未知电影属于什么类型？

3. 算法详述

   3.1 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

   3.2 细节:
   关于K
   关于距离的衡量方法:
   3.2.1 Euclidean Distance 定义

 其他距离衡量：余弦值（cos）, 相关度 （correlation）, 曼哈顿距离 （Manhattan distance）
           

 3.3 举例

4. 算法优缺点：
   4.1 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

   4.2 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

5. 改进版本
   考虑距离，根据距离加上权重
   比如: 1/d (d: 距离）