k-邻近算法 implemented in Python 3.X

k-邻近算法（kNN）学习笔记

机器学习主要任务
机器学习（Machine Learning）的核心目标在于完成数据分类任务。通过向算法提供大量已标注的训练数据，使系统能够识别出特征与目标变量之间的内在联系，从而对具有未知特征的数据进行准确判断，这一过程即为分类。此外，回归也是机器学习的重要任务之一，其主要功能是用于预测连续型数值数据。

kNN（K-邻近算法）概念
k-邻近算法是一种基于训练样本集进行分类的方法。每个样本均包含明确的特征信息和对应的标签。当需要对新数据进行分类时，该算法会计算新数据与训练集中所有样本点之间的距离，并从中选取距离最近的前k个样本点。这里的“k”正是该算法名称的来源。最终，通过统计这k个最相似样本中出现频率最高的类别，即可确定新数据所属的类型，从而完成分类任务。

k-邻近算法
在引入训练样本集之后，输入待分类的数据，并计算该数据与所有样本点之间的距离值。随后将这些距离值进行排序处理，并从中挑选出前k个最小的距离值所对应的样本点（即最为相似的k个点）。接着统计这些点中各类别出现的次数，并将出现次数最多的类别作为新数据所属的类别。相关代码如下：

1. 数据输入
   此程序采用 readlines() 函数读取文本文件中的内容，其中包含了训练样本集的相关特征信息（程序中共涉及三个特征维度）以及对应的目