K Nearest Neighbour 缩写为 KNN，也称为K近邻算法。大体意思，将新样本与训练集中已知样本进行比较，找到最接近的已知样本，根据已知样本的属性预测新样本的属性。
KNN算法如何进行新样本与已知样本的比较？用数学上的欧氏距离计算两个样本之间的远近，距离越近越相似。
欧氏距离：简单说就是xy坐标系上两点之间的距离计算，x1y1点、x2y2点，x2减x1差的平方，再加上y2减y1差的平方，得到的和再开平方根。欧氏距离不光可以算二维坐标系也可以算多维坐标系，如三维时就是x、y、z。
KNN算法计算样本间的距离时，是新样本与所有训练集样本进行逐个计算，得到所有训练集样本与新样本间的欧氏距离。那么这时要怎么找出新样本与训练集中那个样本相近？通过数字大小比较，越小越相近。那么是不是说选一个数值最小的样本属性就可以得到新样本目标值？并不是的，为了防止训练集中数据可能存在的异常，不允许只选择一个样本，会从相近的样本中选K个样本，再从这K个样本中选择最多的一种属性作为新样本的目标值。
KNN算法中的K指的就是K个样本，K属于算法中人为控制的变量，即超参数。
因此，为KNN算法训练的模型设定一个合适的超参数是很重要的，这直接导致模型训练的最终结果是泛化拟合、欠拟合、过拟合。