最近邻模型，更为常见的是k-最近邻模型，是一种常见的机器学习模型，原理如下：
KNN算法的前提是存在一个样本的数据集，每一个样本都有自己的标签，表明自己的类型。现在有一个新的未知的数据，需要判断它的类型。那么通过计算新未知数据与已有的数据集中每一个样本的距离，然后按照从近到远排序。取前K个最近距离的样本，来判断新数据的类型。
import相关库，记载数据（当然正常情况下不是这么加载的），指定了5000个样本用来训练，200个样本用来测试。
然后下面分别定义了训练和测试的计算图的输入。
算法很简单，第一行代码就完成了，设定距离为L1范数，然后第二行代码取出了距离最近的，归入那一组。
初始所有变量。
因为这个算法根本就没有得到训练的可能，所以这个代码只能用来估测准确度。
将所有的数据测试一遍，对，训练集的用处只是用来给出一个已有的坐标，测试集只是用来测试准确率而已。
这个算法的进化版是k-NN，K值的选取对类别的判断具有较大的影响，K的选择目前没有很好的办法，经验规则K值一般低于训练样本的开平方。