[与线性回归等其他算法不同，KNN在训练阶段似乎不执行任何计算。像线性回归一样，它可以在训练阶段找到系数。但是KNN呢？
[在训练阶段，KNN整理数据（建立索引的过程），以便在推理阶段有效地找到最接近的邻居。否则，它必须将推理期间的每个新案例与整个数据集进行比较，从而使其效率很低。
您可以在https://scikit-learn.org/stable/modules/neighbors.html#nearest-neighbor-algorithms上了解更多信息>
KNN属于惰性学习者组。与诸如logistic regression，svms，neural nets之类的渴望学习者相反，懒惰学习者只是将训练数据存储在内存中。然后，在推理过程中，它会从训练数据中找到K个最近的邻居，以便对新实例进行分类。
KNN是基于实例的方法，它完全依赖于训练示例，换句话说，它会记住所有训练示例。因此，在分类的情况下，只要出现任何示例，它都会计算输入示例与所有训练示例之间的欧式距离，并根据距离返回最接近的训练示例的标签。
Knn是个懒惰的学习者。这意味着，像其他算法在训练阶段（线性回归等）学习一样，Knn在训练阶段学习。实际上，它只是在训练时将数据点存储在RAM中。