1搜集图像和标签的数据集
2用机器学习训练分类器
3用新图像评估分类器
曼哈顿距离
对图片中单个像素进行比较，假设我们呢的图片是4*4。左上角的图像减去训练图像对应像素的值，然后取绝对值，得到两幅图像的像素的差距
最邻近法的python代码
当有N个例子时训练和预测的速度有多快？
训练O(1),预测O（N）
训练时候我们不需要做任何事，只需要存储数据，如果你只是复制一个指针，无论你的数据集多大，都将是一个恒定的时间，但在测试时候需要停下来，与我们测试图像进行比较，这个过程很慢。
这不符合我们需要，我们需要训练时间慢，测试快，从这个角度最临近法有些落后了。
最近邻算法
我们画了一个图形，叫他最近邻分类器的决策区域，我们训练集包含二维画面的这些点，点的颜色代表不同的类别或不同的标签。
对整幅图像的每个点来说，我们将计算这些训练数据中最近的实例。
这个分类器不是一个好的选择。
图像中部集中了大部分绿色的点，但中心却又黄点，因为只计算最接近的点，所以在绿色区域中间，这个黄点被分割，但或许它应该是绿色的。
从这个契机出发，我们产生了k-邻近算法，不只寻找最近的点，根据距离度量找到k个最近的点。然后再这些相邻点中投票，这些票多的近邻点，预测出结果。