一. 机器学习的种类

1. 有监督的机器学习 :

        分类 :

•                  KNN 最近邻
•                  逻辑回归 - 朴素贝叶斯估计
•                  SVM 线性 或 非线性 优化模型
•                  决策树模型 - 随机森林 - 其它集成模型
•                  lightGBM - XGBOOST

        回归:

•                   线性
•                  非线性
•                  加权平均回归

2.无监督的机器学习 :

•                  聚类
•                 关联
•                 特征处理

二.  KNN ( K最近邻 )

argmax()  # 只返回索引

1. 特征值（Features）：(特征数据必须是2维数据)

    特征值是用来描述样本的属性或特征的值。在KNN中，每个样本都被表示为一个特征向量，其中每个特征对应向量中的一个维度。例如，在一个二维空间中，特征向量可以由两个特征值构成，分别表示样本在X轴和Y轴上的坐标。

2. 标签（Labels）：

   标签是我们希望预测的值，或者是我们希望将样本分类到的类别。在分类问题中，每个样本都有一个类别标签，而在回归问题中，标签通常是一个连续的数值。在KNN中，我们使用已知的特征值和标签构建模型，然后根据新的特征值预测或分类其对应的标签。

np.bincount（[1,1,2,2,2,2,4,4,4,4]） # 看下标为几的出现几次

下标为0的 没有出现 0
下标为1，数字也为1的出现2次
下标为2 数字也为2的出现4次
下标为3，数字为3 为0次  
下标为4，数字为3 为4次 
答案是 （0，2，4，0，4）

三.  KNN运用(字符识别、文本分类、图像识别)，通过你的邻居判断你是什么类别 

# 选几个邻居 进行分类 
sklearn.neighbors.KNeighborsClassfier(n_neighbors=5)
 n_neighbors = 5 是默认的

#获取数据
x = [[1],[2],[0],[0]]
y = [1,1,0,0]

# 机器学习
# 1. 实例化一个训练模型
estimator = KNeighborsClassfier(n_neighbors=2)

2. 调用fit方法进行训练
estimator.fit(x,y)

3. 预测其他值
ret = estimator.predict([-1])
print(ret)

四. K值的选取

• K值过小： 过拟合，容易受异常点影响， 因为用较小的领域中训练实例进行预测
• k值过大 :   欠拟合，容易受到样本均衡的问题