k近邻方法（k-nearest neighbor method），工学-信息与通信工程-模式识别-统计模式识别-k-近邻方法，模式识别领域常用的分类和回归的非参数方法。又称k近邻算法。给定测试样本，基于某种距离度量（如汉明距离或欧氏距离）找出训练集中与其最相近的k个训练样本，然后基于这k个最近邻样本的信息来进行预测。通常在分类任务中可使用投票法，即选择这k个样本中出现最多的类别标记作为预测结果。在回归任务中可使用平均法，即将这k个样本的实值输出标记的平均值作为预测结果。为提高性能，在采用投票法进行分类或平均法进行回归时，还可基于测试样本与训练样本的距离进行加权，距离越近的训练样本权重越大。k-近邻方法是一种基于实例的惰性学习方法，由于其在训练阶段仅仅是把样本保存起来，待输入测试样本后再进行处理，因此其训练时间开销为零。其优点在于简单，易于理解，易于实现，无须估计参数，无须训练，且适合稀有事件分类及多分类问题。其不足之处在于对数据的局部结构非常敏感，受样本的不均衡性影响很大。此外，其计算量和存储量较大，对输入的每个测试样本都需要计算其与所有已知样本的距离。