目标 阶段1：什么是"近邻"？

💡 核心思想：离得近的东西是一类！就像"近朱者赤，近墨者黑"。
观察屏幕上的彩色点，看看灰色未知点离谁更近？
💡 观察提示：点击"显示最近邻居"，看看系统如何找到离未知点最近的那个点！

📝 本阶段学习要点：

  • KNN 的核心思想：物以类聚，人以群分
  • "距离"是判断相似性的关键
  • 离得越近，就越可能是同一类

标尺 阶段2：K是什么？K=1 最简单！

💡 核心概念：K = 看几个邻居。当 K=1 时，我们只看最近的 1 个邻居。
🖱️ 操作方法：拖动灰色的问号点，观察它跟着谁变！
1 （固定为1，只看最近1个邻居）
🖱️ 动手试试：用鼠标按住灰色的问号点并拖动它，观察连线和分类结果的变化！
当前分类结果：

📝 本阶段学习要点：

  • K=1 表示只参考最近的 1 个邻居
  • 测试点的位置决定分类结果
  • 移动测试点时，分类会实时变化

实验 阶段3：调整 K 值，看结果变化！

💡 实验目标：这是最重要的实验！调整 K 值大小，观察同一个点的分类结果如何变化。
🔍 探索问题：K 太小或太大，会发生什么？
3
⚠️ K 值效果：K=3 是一个适中的选择，既不会太敏感也不会太迟钝。
K=3 时，预测结果：

📝 本阶段学习要点：

  • K 太小（如 K=1）：容易受个别异常点干扰，结果不稳定
  • K 太大（如 K=15）：会把远处无关的点也拉进来，边界模糊
  • K 选择技巧：通常选奇数，避免平票；根据数据量合理选择
  • 没有绝对最好的 K 值，需要根据实际情况调整

应用 阶段4：真实应用场景

💡 应用目标：KNN 算法可以解决很多实际问题！选择一个场景，体验真实的分类过程。
输入新的样本数据，选择合适的 K 值，让 AI 帮你分类！

选择应用场景：

3
📊 操作步骤：1️⃣ 调整K值 → 2️⃣ 点击"输入新样本" → 3️⃣ 在画布上点击 → 4️⃣ 点击"开始分类"

📝 本阶段学习成果：

  • KNN 可以应用于多种真实场景：生物分类、商品识别、数据分析等
  • 不同场景的特征维度可能不同（2维、3维或更多）
  • 实际应用中需要考虑特征选择、数据预处理等问题
  • KNN 算法简单但有效，是机器学习的入门经典算法