Class::KNN  只能做分类型预测

neighbr::KNN  可以告诉你邻居有几个。但是它不能告诉你的机率值（probability）是多少。

做数值型预测：

训练集Train_set 需要包含序号字段和目标字段，而ClassKNN 的训练集不需要包含这两个字段。

测试集两个都一样。

建立模型：

neighbr:knn:    k = 5,  categorical_target=NULL,,

 continuous_value 预测值

comparision_measure 计算距离的方法。

broadband:电信网络数据集。找有意愿装电信网络的顾客，用KNN的

K最近邻分类模型建置

1.根据五个条件字段预测判断目标字段（诊断结果）

  建立模型：病症相似的人  判断诊断结果。

K=3，三个最接近的邻居。

计算两个客户的distance

2.

将所有变量变成数值型变量（0-1之间）

训练集  测试集

类别型数据("1\2\3\4")要摊平成（1000、0100、0010、0001）

K：通过已知顾客的兴趣电影与讨厌，推荐他未看过的电影。

通过邻居喜欢的电影来推荐给他电影

K最近邻模型建置

一、数据的前处理

      属性有Scale的问题（数值型字段极值正规化）

二、距离的计算

直角距离：每一个字段的街区距离相加

欧几里得距离：距离平方和开根号，用得频繁

三、预测概率的推估

  预测此笔的目标属性值为a，概率为3/5.

KNN:

可以用来预测性的分类，数字预测。

Scatter：显示浅色的购买，深色的未购买。

X年龄  ,Y收入两个输入属性。找距离最短的K个人，最相似的人。跟K相似，就能预测新进来的特征。

要选对输入属性，跟预测相关的。

数字预测：用K个人的平均值来预测

分类预测：K个人投票来预测