## 第一个例子：k-最近邻算法
k-最邻近算法是一种用于分类的基本机器学习算法。
它基于训练数据集中 k 个与测试范例标签最相似的范例确定测试范例的标签。
该算法的主要组成部分如下所示：
- **训练数据集**
该数据集由实例构成，其中包括定义每个实例的一个或者多个属性，以及一个可确定实例标签的特殊属性。
- **距离指标**
该指标用于确定训练数据集的实例与你想要分类的新实例之间的距离（或者说相似度）。
- **测试数据集**
该数据集用于度量算法的行为。
对某个实例进行分类时，该算法计算该实例和训练数据集所有实例的距离。
然后，选取 k 个距离最邻近的实例并且查看这些实例的标签。
实例最多的标签将被指派为输入实例的标签。
### 数据集和指标选择
- 采用 **UCI机器学习资源库**（UCI Machine Learning Repository）的 **Bank Marketing** 数据集。
- 为了度量实例之间的距离，我们将采用**欧氏距离**（Euclidean d
