K 近邻：物以类聚的算法版本

K 近邻（KNN）的思路极其直白：想判断一个新数据属于哪类，就看它最近的 K 个邻居属于哪类，少数服从多数。它几乎不需要训练，是“懒学习”的典型代表。

KNN 证明了有时候最简单的逻辑最接近直觉——判断一个人，看他身边的朋友就行。它也提醒我们注意“圈子”的力量：在数据世界里，一个点的身份，很大程度上由它的邻域决定。

## 核心要点

图片来源：Openverse / Ars Electronica（https://www.flickr.com/photos/36085842@N06/4957128241）

1. KNN 的计算都发生在预测时，训练阶段几乎零成本。

2. 它的效果强烈依赖距离度量与特征缩放，务必做归一化。

3. 高维空间中距离会失效，这就是著名的“维度灾难”。

4. K 值选择很关键：太小容易受噪声影响，太大边界模糊。

图片来源：Openverse / Wonderlane（https://www.flickr.com/photos/71401718@N00/4317735571）

## 写在最后

以上是关于「K 近邻」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。