前言：
基于上节我们对KNN算法原理和算法流程的介绍，不然看出，我们需要关注两个重点问题：一个是K值的确定（在第三节详细介绍），另一个是距离的度量（本节介绍）。

KNN算法的「距离」在二维坐标轴就表示两点之间的距离，计算距离的公式有很多。

一、欧式距离
我们常用欧拉公式，即“欧氏距离”，也就是我们常说的距离平方和开平方。

回忆一下:
(1) 一个平面直角坐标系上，如何计算两点之间的距离？
(2) 一个立体直角坐标系上，又如何计算两点之间的距离？

如上图所示：空间中 和 两个点，它们的距离等于 和两坐标差的平方和再开根号。如果在三维坐标中，多了坐标，距离计算公式也相同。

引出欧式公式：
当特征数量有很多个形成多维空间时，再用上述的写法就不方便了，我们换一个写法，用 X 加下角标的方式表示特征维度。则在n维空间中，有两个点 A 和 B，它们的坐标分别为：

则A和B两点之间的欧氏距离的基本计算公式如下：

而在我们的机器学习中，坐标轴上的值正是我们样本数据上的个特征。

请根据学习内容回答以下问题:

为什么说两个点在空间中距离越近, 就越容易属于相同的类别呢?