实验二 KN近邻估计法

K-近邻（K-Nearest Neighbor，KNN）算法是一种基本的分类与回归算法。其中，K-近邻估计法是KNN算法的一种应用，用于估计给定数据点的类别或数值输出。

K-近邻估计法的基本思想是：对于给定的测试样本，根据某个距离度量找出训练集中与其最靠近的K个样本，然后基于这K个邻居样本的信息，通过某种规则来推断出测试样本的类别或数值输出。

K-近邻估计法的算法流程大致如下：

1. 选择一个合适的距离度量，比如欧氏距离、曼哈顿距离等。
2. 对于每个测试样本，计算其与训练集中所有样本的距离，并选择与其距离最近的K个样本。
3. 根据这K个样本的类别或数值输出，采用某种规则来确定测试样本的类别或数值输出。

K-近邻估计法的优点是简单易懂，不需要训练过程，适用于小规模数据集。缺点是计算复杂度高，对于大规模数据集的处理效率较低，同时对于数据集中的噪声和异常值较为敏感。