knn分类算法计算过程
K-近邻（K-Nearest Neighbors，KNN）是一种常用的非参数化
的分类算法。

它的基本思想是通过计算样本间的距离来进行分类。

KNN算法的计算过程如下：
1. 初始化数据集：将训练数据集以及相应的类别标签加载到内存中。

2. 计算距离：对于待分类的样本，计算它与所有训练样本之间的距离。

常用的距离度量方法有欧氏距离、曼哈顿距离等。

3. 选择K值：设置一个K的值，表示取距离最近的K个训练
样本进行分类。

4. 确定邻居：根据计算得到的距离，选择距离最近的K个训
练样本作为待分类样本的邻居。

5. 统计类别：根据邻居的类别标签，对待分类样本进行分类。

可以根据邻居的类别进行投票，或者计算邻居的类别的加权平均值来确定待分类样本的类别。

6. 输出结果：将待分类样本归入到所属的类别中。

需要注意的是，KNN算法中的K值的选择会影响分类的结果。

选取较小的K值可能会导致过拟合，而选择较大的K值可能
会导致欠拟合。

总结起来，KNN算法的计算过程包括初始化数据集、计算距离、选择K值、确定邻居、统计类别和输出结果等步骤。

通
过计算样本间的距离来进行分类。