算法步驟:
為了判斷未知實例的類別，以所有已知類別的實例作為參照
選擇參數K
計算未知實例與所有已知實例的距離
選擇最近K個已知實例
根據少數服從多數的投票法則（majority-voting）,讓未知實例歸類為K個最鄰近樣本中最多數的類別
細節：
關於K
關於距離的衡量方法:
Euclidean Distance定義
其他距離衡量:余弦值（cos）、相關度（correlation）、曼哈頓距離（Manhattan distance）
算法優缺點：
優點：
簡單
易於理解
容易實現
通過對K的選擇可具備丟噪音數據的健壯性
缺點：
需要大量空間儲存所有已知實例
算法復雜度高（需要比較所有已知實例與要分類的實例）
當其樣本分布不平衡時，比如其中一類樣本過大（實例數量過多）占主導的時候，新的未知實例容易被歸類為這個主導樣本，因為這類樣本實例的數量過大，但這個新的未知實例實際並未接近目標樣本
改進版本：
考慮距離，根據距離加上權重
比如：1/d(距離）