K 近邻（K-Nearest Neighbors, KNN）是一种“把历史样本存起来，来新样本就看它附近 K 个邻居”的监督学习（supervised learning）方法：分类时邻居投票，回归时取邻居均值。
它几乎没有“训练”过程。所谓训练，只是把特征和标签保存下来；真正干活在推理：计算新样本与训练集中每个样本的距离，排序，取前 K 个。打个生活化比方：想知道一套房大概值多少，不建房价公式，而是翻出附近最近成交的 K 套房，取平均。找邻居要先量距离，数据越多、维度越高，量得越久，所以 KNN 的典型特征是“训练快、推理慢”。朴素实现如此；有些实现会建索引加速查询，但核心仍是在推理时找邻居。
效果高度依赖特征尺度。若用欧氏距离（Euclidean distance），身高按米、收入按元，收入数值大，距离几乎被它主导。因此要先做特征缩放（feature scaling），常用标准化（standardization）。K 也关键：K 太小易被噪声带偏，K 太大把远处样本也算进来，需要做AI 词典：偏差-方差权衡">偏差-方差权衡。距离度量还可选曼哈顿、余弦等，选什么取决于“相似”的定义。
和相邻概念的区别：KNN 是非参数（non-parametric）、惰性学习（lazy learning），没有显式训练出的参数；线性回归、逻辑回归训练后得到参数，推理只做一次计算；K-means 是无监督聚类，把样本分组，而 KNN 是有监督，用标签投票。
| 方法 | 学习方式 | 训练/推理 | 典型用途 |
|---|---|---|---|
| KNN | 有监督、非参数、惰性 | 训练几乎只存数据，推理算距离投票 | 小数据分类回归、相似检索基线 |
| 线性/逻辑回归 | 有监督、参数 | 训练求参数，推理快 | 可解释基线、线性关系 |
| K-means | 无监督聚类 | 迭代求簇心 | 分组、压缩、探索 |
对从业者，KNN 适合小数据、低维、需要可解释基线的场景；大规模高维或实时推理要谨慎，常需降维或近似最近邻（Approximate Nearest Neighbor, ANN）索引。对普通人，它提醒我们“物以类聚”成立的前提是：距离怎么定义、尺度是否公平，决定了邻居是谁。