与线性回归等其他算法不同，KNN似乎在训练阶段不执行任何计算。与线性回归的情况一样，它会在训练阶段找到系数。但是KNN呢？
在训练阶段，KNN 安排数据（索引过程），以便在推理阶段有效地找到最近的邻居。否则，它将不得不在推理过程中将每个新案例与整个数据集进行比较，使其效率非常低。
您可以在以下位置阅读更多相关信息： https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms
KNN属于懒惰学习者群体。与logistic regression、svms、neural nets等渴望的学习者相反，懒惰的学习者只是将训练数据存储在内存中。然后，在推理过程中，它从训练数据中找到 K 最近邻，以便对新实例进行分类。
KNN 是一种基于实例的方法，它完全依赖于训练示例，换句话说，它记住了所有的训练示例 因此，在分类的情况下，每当出现任何示例时，它都会计算输入示例和所有训练示例之间的欧氏距离，并根据距离返回最近训练示例的标签。
Knn 是懒惰的学习者。这意味着，像其他算法在训练阶段学习（线性回归等）一样，Knn 在训练阶段学习。它实际上只是在训练时将数据点存储在 RAM 中。
与线性回归的情况一样，它会在训练阶段找到系数。但是 KNN 呢?-->在 KNN 的情况下，它会在测试阶段调整其参数。在测试阶段，它找到参数的最佳解（K值，距离计算技术等）。与其他在训练阶段学习并在测试阶段进行测试的算法不同，KNN在测试阶段学习并接受参数测试（K倍CV）。
距离计算->https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms
KNN python docs->https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsClassifier.html