在 KNN 算法中，K 值的大小通常怎样选定才对分类结果影响较小？

回答思路

1. 【回答框架 1】K 值选取常用交叉验证法，将训练集划分为多份，对不同 K 值计算验证集准确率，选择平均准确率最高的 K。
2. 【回答框架 2】K 值过小会导致模型对噪声和异常点敏感，容易过拟合；K 值过大则会使模型过于平滑，忽略局部信息，可能导致欠拟合。
3. 【回答框架 3】实际中通常设置 K 为奇数以在二分类时避免平票，并考虑类别的样本量均衡性，若类别不均衡可结合加权投票改进。
4. 【回答框架 4】选取 K 值时还需结合数据规模和特征维度，可用网格搜索结合交叉验证确定最优 K，同时关注计算成本。
5. 【回答框架 5】最终 K 的确定属于超参数调优，应依据验证集或测试集表现权衡偏差与方差。
6. 【关键点 1】K 值常用交叉验证法确定，以验证准确率为标准。
7. 【关键点 2】K 过小易过拟合，K 过大易欠拟合。
8. 【关键点 3】可用网格搜索或启发式规则（如 sqrt(N)）初步设定再调优。
9. 【关键点 4】类别不均衡时可考虑加权投票或调整 K。
10. 【易错点 1】不能简单固定 K 为某常数，需结合数据分布和验证结果。
11. 【易错点 2】不能将训练集准确率作为 K 选取依据，会过拟合。
12. 【易错点 3】忽略类别不均衡时，大 K 可能使多数类主导预测结果。