🎯 K-最近邻分类 —— 近朱者赤，近墨者黑

🎯 K-最近邻 (KNN) —— 最直观的AI算法

💡 一句话理解：不知道它是哪一类时，就看看离它最近的几个邻居都属于谁。

📌 实验目的：理解"基于距离的分类"这一AI核心思想——未知的事物，看它周围最近的K个"邻居"属于哪类，就判为哪类。KNN是所有分类算法中最简单、最直观的一种，不需要任何"训练"，拿到数据就能分类。

🌟 现实应用：手写数字识别（扫描的字母像哪个模板，就识别为哪个字母）、推荐系统（找到和你口味最像的K个用户，推荐他们喜欢的商品）、垃圾邮件过滤（新邮件和已知的垃圾邮件有多像？）、医疗诊断（新病人的症状和哪类已知病例最接近）。

算法步骤：
① 计算未知点到所有已知点的距离
② 按距离从小到大排序
③ 取前 K 个最近的邻居
④ 这些邻居投票——哪个类别多，就判为哪类

📋 操作：
① 点「加载默认」载入水果数据 → ② 在图上点击放置未知点 → ③ 观察K个邻居是哪些、怎么投票的 → ④ 切换K值看结果变化 → ⑤ 尝试上传自己的数据

🔍 观察什么：重点看未知点到邻居的连线、投票比例和背景决策边界。K变小时像“只问最亲近的同学”，反应灵敏但容易被噪声骗；K变大时像“问更多同学”，结果更稳但可能忽略局部细节。

🎨 彩色背景 = 决策边界：背景色块表示KNN会把每个位置判为哪一类。切换K值看边界怎么变化——K=1边界破碎（只看一个邻居，容易被噪声骗），K=5~7边界平滑自然。

欧几里得距离：d = √[(x₁−x₂)² + (y₁−y₂)²]

特征归一化：如果 X 轴（直径 1-9cm）和 Y 轴（甜度 1-9）量纲相近，直接算距离没问题。但如果一个是身高(140-190cm)，另一个是鞋码(34-46)——身高数值远大于鞋码，距离几乎由身高"独裁"。

解决方法：Min-Max 归一化——把两个特征都缩放到 0~1 范围：
X' = (X − X_min) / (X_max − X_min)
Y' = (Y − Y_min) / (Y_max − Y_min)
→ 然后用 X'、Y' 计算距离，两个特征平等参与。本实验默认开启归一化。

📦 加载默认 📂 上传

💡 K=1：只看最近的一个邻居，容易被离群的噪声点误导。K=15：看太多邻居，远处的类别"淹没"了真正的多数。试试极端值观察决策边界的变化。