我有7个类需要分类，我有10个功能。在这种情况下我是否需要使用k的最佳值，或者我必须运行KNN以获得介于1和10（大约10）之间的k值，并在算法本身的帮助下确定最佳值？
除了the article我在评论中发布了this one以及暗示：
k的选择非常关键 - k的小值意味着噪声对结果的影响更大。一个大的值使它在计算上变得昂贵并且有点击败了KNN背后的基本哲学（近点的点可能具有相似的密度或类）。选择k的简单方法是设置k = n ^（1/2）。
它将在很大程度上取决于您的个案，有时最好通过k的每个可能值来自行决定。
在k-NN算法中要注意的重要事项是特征的数量和类的数量在k-NN算法中确定k的值时都不起作用。 k-NN算法是一种ad-hoc分类器，用于根据距离度量对测试数据进行分类，即如果与其他类相比，更接近测试样本的Class-1训练样本数量更多，则测试样本被归类为Class-1训练样本。对于Eg：如果k = 5个样本的值，则基于距离度量选择5个最接近的训练样本，然后对每个类的大多数样本进行投票。因此，如果3个样本属于1类，2个属于5类，则该测试样本被归类为1类。因此，k的值表示对测试样本进行分类所需的训练样本的数量。
提出你的问题，k的值是非参数的，选择k值时的一般经验法则是k = sqrt（N）/ 2，其中N代表训练数据集中的样本数。我建议的另一个提示是尝试保持k odd的值，以便在选择类之间没有关系，但这表明训练数据在类之间高度相关并使用简单的分类算法（如k-） NN会导致分类性能不佳。
在KNN中，找到k的值并不容易。较小的k值意味着噪声对结果的影响较大，而较大的值使其计算成本较高。
数据科学家通常选择：
1.如果班级数是2，则为奇数
2.另一种选择k的简单方法是设置k = sqrt（n）。其中n =训练数据中的数据点数。
希望这会帮助你。