Add. How to chose K

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

@@ -59,3 +59,34 @@ P范数：
 
 最常用的是欧式距离>曼哈顿距离>切比雪夫距离
 
+
+
+### 总结
+
+Summarization
+
+1. K近邻思想：物以类聚
+2. K近邻没有显式的训练过程
+   1. 不需要先训练再预测，直接得到结果
+3. 距离度量
+   1. 欧式距离：两点之间直线
+   2. 曼哈顿距离：城市街区距离
+   3. 切比雪夫距离：棋盘距离
+
+
+
+### K值的选择
+
+How to chose K
+
+**选择较小的K值**
+
+​	用较小的邻域进行预测。预测结果对邻近的实例点非常敏感。如果邻近的实例点恰好是噪声，预测就会出错。
+
+**选择较大的K值**：
+
+​	用较大的邻域进行预测。对于输入实例较远（已经不太相似）的样本点也会对预测起作用，使预测发生错误。
+
+**在应用中**：
+
+​	先取一个较小的K值，再通过交叉验证法来选取最优的K值