diff --git a/机器学习算法理论及应用/李航——统计学习方法/3.K近邻——物以类聚.md b/机器学习算法理论及应用/李航——统计学习方法/3.K近邻——物以类聚.md
index c202621..f9d43f7 100644
--- a/机器学习算法理论及应用/李航——统计学习方法/3.K近邻——物以类聚.md
+++ b/机器学习算法理论及应用/李航——统计学习方法/3.K近邻——物以类聚.md
@@ -18,3 +18,44 @@ How to distinguish red beans and green beans?
 
 如果一个豆过来自然而然的到红豆堆，我们有理由认为它大概率是红豆。
 
+1. 同一标签的样本通常有很多相似的特征。
+2. 没进来一个样本，查看它周边的样本是什么类别，那么它就很有可能属于该类别。
+
+那么某个点与其它点距离怎么计算。
+
+
+
+### 距离度量
+
+Distance measure
+
+首先令![1618325180835](assets/1618325180835.png)
+
+
+
+度量的方法有：
+
+欧式距离（也称二范数）：
+
+![1618325070279](assets/1618325070279.png)
+
+> xi里的x减去对应位置的xj里的x，然后全部平方，再求和，然后开根号。
+>
+> 如果两个点之间的距离很远，那么值就会很大
+
+曼哈顿距离（也称一范数/也称城市街区距离）：
+
+![1618325099972](assets/1618325099972.png)
+
+> 相对上面欧式距离，不需要平方-相加-开根号，只要拿它的绝对值-相加即可
+
+P范数：
+
+![1618325113566](assets/1618325113566.png)
+
+> 引出P范数，p=1则是一范数，p=2则是二范数
+
+还有3范数（也称切比雪夫距离/棋盘距离）
+
+最常用的是欧式距离>曼哈顿距离>切比雪夫距离
+
diff --git a/机器学习算法理论及应用/李航——统计学习方法/assets/1618325070279.png b/机器学习算法理论及应用/李航——统计学习方法/assets/1618325070279.png
new file mode 100644
index 0000000..7ca3707
Binary files /dev/null and b/机器学习算法理论及应用/李航——统计学习方法/assets/1618325070279.png differ
diff --git a/机器学习算法理论及应用/李航——统计学习方法/assets/1618325099972.png b/机器学习算法理论及应用/李航——统计学习方法/assets/1618325099972.png
new file mode 100644
index 0000000..845964c
Binary files /dev/null and b/机器学习算法理论及应用/李航——统计学习方法/assets/1618325099972.png differ
diff --git a/机器学习算法理论及应用/李航——统计学习方法/assets/1618325113566.png b/机器学习算法理论及应用/李航——统计学习方法/assets/1618325113566.png
new file mode 100644
index 0000000..e3f2ae7
Binary files /dev/null and b/机器学习算法理论及应用/李航——统计学习方法/assets/1618325113566.png differ
diff --git a/机器学习算法理论及应用/李航——统计学习方法/assets/1618325180835.png b/机器学习算法理论及应用/李航——统计学习方法/assets/1618325180835.png
new file mode 100644
index 0000000..b23f5b4
Binary files /dev/null and b/机器学习算法理论及应用/李航——统计学习方法/assets/1618325180835.png differ