k-NN可以做分类及回归，对新的测试实例t，在训练集中找与t最近的k个实例，用投票法决定t属于哪个类，显然这是一种懒惰学习。
既然要找最近的k个，就会涉及距离度量问题，下面以2个样本点（每个点有n个维度）间的距离为例枚举一些度量方式：
- Minkowski距离：(sqrt[p]{sum_{i=1}^{n}|x_{1i}-x_{2i}|^p})，p=1时是曼哈顿距离，p=2时是欧氏距离，(p oinfty)时是切比雪夫距离(max_{i}|x_{1i}-x_{2i}|)
- 标准欧式距离：为了克服欧氏距离各个维度数据粒度不一致对最终结果的影响，将每个维度标准化后采用欧氏距离的计算方法：(y_{1i}=cfrac{x_{1i}-u_i}{s_i})，(sqrt{sum_{i=1}^{n}(y_{1i}-y_{2i})^2}=sqrt{sum_{i=1}^{n}cfrac{(x_{1i}-x_{2i})^2}{s_i^2}})
- Mahalanobis Distance：修正了各维度之间的相关性及粒度不一致性
样本向量(x)到均值向量(u)之间的马氏距离：
样本向量(x)到样本向量(y)之间的马氏距离：
如果协方差矩阵是单位阵，即每个维度之间没有相关关系，即欧氏距离；如果协方差矩阵是对角阵，即标准欧氏距离 - Bhattacharyya Distance：衡量概率分布的相似性，
(D_B(p,q)=-ln(BC(p,q)),BC(p,q)=sumsqrt{p(x)q(x)},BC(p,q)=intsqrt{p(x)q(x)}dx) - 余弦相似性
- Jaccard Similarity Coefficient：衡量集合相似性：(J(A,B)=cfrac{|Acap B|}{|Acup B|})
Jaccard Distance：集合区分度：(1-J(A,B))
假设有4个二值维度，样例A={0111}，B={1011}，则(J=frac{M_{11}}{M_{01}+M_{10}+M_{11}},J^{'}=1-J)，(M_{11})表示A和B中均为1的维度个数 - Pearson Correlation Coefficient：
总体Pearson系数：( ho=frac{Cov(X,Y)}{sqrt{DXDY}})
相关距离：(1- ho)
样本Pearson系数：(r=frac{sum(X_i-ar X)(Y_i-ar Y)}{sqrt{sum(X_i-ar X)^2sum(Y_i-ar Y)^2}}=frac{1}{n-1}sum(frac{X_i-ar X}{S_x})(frac{Y_i-ar Y}{S_y}))
除了距离度量，还有k的选择：k太小容易过拟合，k太大会使得与测试实例较远的训练样例也会起作用。
kNN的实现：
class KNN:
def __init__(self):
pass
def train(self, X, y):
""" X is N*D """
self.Xtr = X
self.ytr = y
def predict(self, X):
""" X is N*D """
num_test = X.shape[0]
# make sure output type matches input type
Ypred = np.zeros(num_test, dtype = self.ytr.dtype)
for i in range(num_test):
distances = np.sum(np.abs(self.Xtr - X[i,:]), axis = 1)
min_index = np.argmin(distances)
Ypred[i] = self.ytr[min_index]
return Ypred
为了加快预测速度，可以使用k-d tree来存储训练集，本质上也是一种平衡二叉树：
建树的过程可以递归进行：
- 确定划分域：对训练集，统计每个维度的方差，选择方差最大的属性，意味着沿着该维度数据比较分散，容易获得较高的分辨率
- 确定结点：将数据集按照划分域排序，正中间的点选为结点
- 确定左(值小于父亲)右（值大于父亲）孩子
- 设置左右孩子的parent域
往往训练样例的维度是很高的，所以很难每个维度都去分割，所以sklearn中的kNN如果用k-d tree实现，会有一个参数leaf_size控制树的深度。
建好后，就可以快速查找测试样例的邻居。
假设训练集为(X_{m imes k})，测试集为(Y_{n imes k})，此时需要计算训练集中每条样本与测试集中每条样本的距离，为了加速矩阵运算，不能使用循环，最终结果为(R_{m imes n}=Xcirc X+Ycirc Y-2XY^T)，具体推导可以参考NumPy之计算两个矩阵的成对平方欧氏距离。