KNN算法：线性扫描的方法实现

（2020.8.26）对程序调用部分进行了调整，通过测试验证后能够获得相应结果。

K-最近邻算法（K - Nearest Neighbors，KNN）是一种基础的分类与回归技术，可视为最近邻算法（K=1）的扩展形式。
KNN的核心思想在于：在特定区域内确定一定数量的K个样本，若这些样本中大部分归属于某一类别，则未知样本将被归类至该类别 。

在确定最优的K值时，需依据具体数据情况而定。通常而言，在进行分类任务时，较大的K值有助于降低噪声干扰的影响，但同时可能导致类别边界变得不清晰。

图示说明：
待测样本（绿色圆圈）存在被归入红色三角形类或蓝色正方形类的可能性。当k取3时，从图中可以看出，待测样本的三个邻近点位于实线所围成的内圆区域中，根据多数投票原则，其应归属红色三角形类。然而若k取5，则待测样本的五个最接近样本分布在虚线所划定的圆形区域内，并依据多数表决机制 ，其又被判定为蓝色正方形类。在实际操作过程中，通常先设定一个较小的初始K值，并结合交叉验证方法逐步优化调整该参数值，最终找到适用于当前数据集的最佳K数值。

而我们在意的三个问题是：**