在机器学习中，K近邻（KNN）算法有哪些主要的优点和缺点？请从算法原理和应用角度分别阐述。

回答思路

1. 【回答框架 1】KNN是一种基于实例的懒惰学习算法，核心思想是对于新样本，根据特征空间中距离最近的K个已知样本的类别或数值进行预测。
2. 【回答框架 2】优点包括：简单易懂，无需训练过程，适合多分类问题，对异常值不敏感（通过多数投票或平均），且理论基础成熟。
3. 【回答框架 3】缺点包括：计算复杂度高，存储开销大，对高维数据性能下降（维度灾难），对样本不均衡敏感，且预测时需要遍历所有样本导致速度慢。
4. 【回答框架 4】适用场景：样本量适中、特征维度较低、标签分布相对均衡的数据集，常用于推荐系统、图像识别等领域。
5. 【关键点 1】KNN是懒惰学习算法，训练阶段仅存储样本。
6. 【关键点 2】优点是实现简单、无需训练、适合多分类。
7. 【关键点 3】缺点是计算和存储开销大，高维和样本不均衡时性能差。
8. 【关键点 4】K值选择影响模型精度，交叉验证可辅助确定。
9. 【易错点 1】忽略特征缩放会导致距离度量偏差，应进行标准化。
10. 【易错点 2】K值过小易过拟合，过大易欠拟合，需结合数据调整。
11. 【易错点 3】高维数据下距离度量失效，需考虑降维或使用适合的距离函数。