最近邻算法：找到距离最短对象。 距离计算方法：曼哈顿距离算法也叫做L1距离算法、欧式距离也叫做L2距离算法 曼哈顿距离算法：用测试样本和训练样本逐元素相比较，所有元素点差的绝对值求和，即得到相似性。 值得指出的是：最近邻算法无论训练样本有多大，对于一个单独的样本来说，测试量不变。 欧式距离：计算这些图像间差值的平方和，这个距离的设置被称为 “超参数” KNN（最邻近分类器）：通过调整超参数来提高精度，一般不用于高维度。
最近邻算法：找到距离最短对象。
距离计算方法：曼哈顿距离算法也叫做L1距离算法、欧式距离也叫做L2距离算法
曼哈顿距离算法：用测试样本和训练样本逐元素相比较，所有元素点差的绝对值求和，即得到相似性。
值得指出的是：最近邻算法无论训练样本有多大，对于一个单独的样本来说，测试量不变。
欧式距离：计算这些图像间差值的平方和，这个距离的设置被称为 “超参数”
KNN（最邻近分类器）：通过调整超参数来提高精度，一般不用于高维度。