KNN核心思想：
          你的“邻居”来推断出你的类别

计算距离：
           欧氏距离
           曼哈顿距离 绝对值距离
           明可夫斯基距离

如果取的最近的电影数量不一样？会是什么结果？
         k 值取得过小，容易受到异常点的影响
         k 值取得过大，样本不均衡的影响（投票机制，少数服从多数，一般取奇数）
结合前面数据，分析K-近邻算法需要做什么样的处理
         无量纲化的处理
         标准化

基本流程：

       1）获取数据
       2）数据集划分
       3）特征工程
                    标准化
       4）KNN预估器流程
       5）模型评估

优点：简单，易于理解，易于实现，无需训练
缺点：
         1）必须指定K值，K值选择不当则分类精度不能保证
         2）懒惰算法，对测试样本分类时的计算量大，内存开销大
使用场景：小数据场景，几千～几万样本，具体场景具体业务去测试

模型调优：交叉验证，超参数搜索-网格搜索

案例：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier


def knn_iris_gscv():
    """
    用KNN算法对鸢尾花进行分类，添加网格搜索和交叉验证
    :return:
    """
    # 1）获取数据
    iris = load_iris()

    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)

    # 3）特征工程：标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4）KNN算法预估器
    estimator = KNeighborsClassifier()

    # 加入网格搜索与交叉验证
    # 参数准备；cv为几折验证
    param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=10)
    estimator.fit(x_train, y_train)

    # 5）模型评估
    # 方法1：直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("直接比对真实值和预测值:\n", y_test == y_predict)

    # 方法2：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # 最佳参数：best_params_
    print("最佳参数：\n", estimator.best_params_)
    # 最佳结果：best_score_
    print("最佳结果：\n", estimator.best_score_)
    # 最佳估计器：best_estimator_
    print("最佳估计器:\n", estimator.best_estimator_)
    # 交叉验证结果：cv_results_
    print("交叉验证结果:\n", estimator.cv_results_)

    return None