请阐述 K 近邻（KNN）算法的基本工作流程。

回答思路

1. 【回答框架 1】KNN 是一种基于实例的监督学习算法，核心思想是给定一个待预测样本，在特征空间中找到与其最近的 K 个训练样本，根据这些邻居的类别（分类）或数值（回归）进行预测。
2. 【回答框架 2】算法步骤：1. 数据预处理（如归一化，消除量纲影响）；2. 计算待预测样本与所有训练样本的距离（常用欧氏距离，也可以使用曼哈顿距离、余弦相似度等）；3. 选择距离最小的 K 个邻居；4. 分类问题采用多数投票，回归问题采用均值或加权平均。
3. 【回答框架 3】K 值的选取影响模型复杂度，K 过小容易过拟合，K 过大则模型过于简单。通常通过交叉验证选择最优 K。
4. 【回答框架 4】KNN 为懒惰学习，训练阶段只存储数据，预测阶段才进行计算，因此预测时间复杂度和数据量成正比，适用于数据规模适中的场景。
5. 【关键点 1】KNN 基于特征空间中 K 个最近邻居的多数投票（分类）或均值（回归）进行预测。
6. 【关键点 2】距离度量常用欧氏距离，需进行特征归一化。
7. 【关键点 3】K 值通过交叉验证选择，影响模型偏差和方差。
8. 【关键点 4】模型是懒惰学习，预测阶段实时计算，适合小规模数据。
9. 【易错点 1】当数据分布不平衡时，多数投票可能偏向样本量大的类别，需要加权或改进方法。
10. 【易错点 2】特征维度过高时，距离度量效果下降，需考虑降维或使用适合高维的距离度量。
11. 【易错点 3】K 值选取不当导致过拟合或欠拟合，不能只凭经验，应通过验证确定。