小白写文。谢谢。
邻近就字面显而易见是指两者或两个事物靠近，无论是属性或者特有的信息。这么想显然没有任何问题。在机器学习中K-邻近算法是第一个算法，是最初就会接触的一种算法模式，就像学习一门编程语言第一个的程序是 “Hello World！”一样，这是对初学者充满敬意的一个算法。
言归正传，为了理解举一个简单的例子：在电影的类型判断中，评论者会这么做。将已经类型清楚的电影和需要评判的电影做一个比较。比如选取电影中的两种镜头画面，1.打斗镜头；2.接吻镜头。然后得到一个数据表格：
其中红色框中就是需要判定的电影类型。及时这样还是看不出来，然后可以通过某种算法将其计算出来。首先计算未知电影与样本其他电影的距离，（暂时不管是怎么算出来的）得到下表：
这样就会得到距离值，比较靠近的显然就是相似类型的，即未知电影与California Man、He‘s Not Really into Dude、Beautiful Woman为一个类型。
通过以上就可以很轻松理解K-邻近算法的工作原理：存在一个样本数据集合（类比于例子中的已知电影类型的电影集合），也称作训练样本集，并且样本集中每个数据都存在标签（例子中的两个镜头），即我们知道样本集合中每一个数据与所属分类的对应关系。输入没有标签的数据（例子中未知类型的电影）后，将新数据的每一个特征与样本集中数据对应的特征进行比较，然后算法提取样本集合中特征最相似数据（最近邻）的分类标签。这就k-邻近算法的内在原理。看K-邻近算法的一般过程：
（1）收集数据：可以使用任何方法
（2）准备数据：距离计算所需要的数值，最好是结构化的数据格式
（3）分析数据：可以是任何方法
（4）训练算法：此步骤不适用与K-邻近算法
（5）测试算法：计算错误率
（6）使用算法：首先需要输入样本数据和结构化的输出结果，然后运行K-邻近算法判定输入数据分别属于哪一类，最后应用对计算出的分类执行后续处理
閱讀更多 一兒口山石 的文章
