你遇到新資料時，為什麼只看最像它的幾個例子，就能做判斷？
你可以把它想成找附近最像你的幾個人，看看多數人怎麼選，你就先跟著那個方向走。
K 近鄰演算法是一種基於實例的學習方法，透過找出距離最近的 K 個鄰居，以投票方式決定資料點的分類
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
K-Means K-NN 是有標籤分類，K-Means 是沒有標籤的分群。
決策樹 決策樹是先學規則再預測，K-NN 幾乎不先學，預測時才找鄰居。
記住這句就好
找最近的 K 個鄰居，多數決。
實際案例
電影推薦 系統找出和你觀影習慣最像的用戶，看他們最常看的片，再推薦給你。
醫療分級 病人的檢驗數值和歷史病例比對，找最像的幾個病例，判斷風險高低。
算法與應用
K-NN 是典型的惰性學習法，訓練幾乎不做事，真正的成本在預測。距離函數、特徵標準化和 K 值選擇都很重要，否則最近鄰未必真的「最近」。
情境判斷
Q1（直覺題）： 如果你現在遇到一個 電影推薦 的場景，這個概念會是第一個想到的工具嗎？ → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。
Q2（判斷題）： 如果你把它和 決策樹 一起用，結果反而變不穩，通常該怎麼想？ → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。
iPAS 考題
出題方向： 這類概念常考定義、差異和實務用法。 題目 關於 K 近鄰演算法，下列何者正確？ → 答案：C。 KNN 是惰性學習法，預測時才計算距離並做投票。A 錯在它不會先建立明確模型，B 錯在 K 越大不一定越準，D 錯在它也可以做回歸。
常見問題
K 近鄰 最容易跟 K-Means 混淆嗎？
K-NN 是有標籤分類，K-Means 是沒有標籤的分群。
什麼情況會用到 K 近鄰？
你可以把它想成找附近最像你的幾個人，看看多數人怎麼選，你就先跟著那個方向走。 實務上只要你要處理和這個概念相符的任務，就會用到它。
初學者最常錯在哪裡？
決策樹是先學規則再預測，K-NN 幾乎不先學，預測時才找鄰居。