k近邻算法中关键的要素是

k近邻算法中关键的要素是：k值的选取、邻居距离的度量和分类决策的制订。

1.k值的选取：

k近邻算法优点很明显，简单易用，可解释性强，但也有其不足之处。例如，“多数表决”会在类别分布偏斜时浮现缺陷。也就是说，k值的选取非常重要，出现频率较多的样本将会主导测试点的预测结果。

2.邻居距离的度量：

不量化，无以度量远近。k近邻算法要计算“远亲近邻”，就要求样本的所有特征都能做到可比较的量化。如果样本数据的某些特征是非数值类型的，那也要想办法将其量化。比如颜色，不同的颜色（如红、绿、蓝）就是非数值类型的，它们之间好像没有什么距离可言。但如果将颜色（这种非数值类型）转换为灰度值（数值类型：0~255），那么就可以计算不同颜色之间的距离（或说差异度）。

3.分类决策的制订：

本质上，分类器就是一个由特征向量，到预测类别的映射函数。k近邻算法的分类流程大致如下三步走：（1）计算待测试样本与训练集合中每一个样本的欧式距离；（2）对每一个距离从小到大排序；（3）选择前k个距离最短的样本，分类任务采用“少数服从多数”的表决规则。回归任务则可采用k个近邻的平均值作为预测值。