一、KNN参数n_neighbors

KNN算法在中通过下面这个类来实现：

class sklearn.neighbors.KNeighborsClassifier(n_neighbors=5, weights=’uniform’, algorithm=’auto’, leaf_size=30, p=2, metric=’minkowski’, metric_params=None, n_jobs=None, **kwargs)

其中参数n_neighbors就是超参数k：最近的k个点。

二、参数k回顾

KNN中的k是一个超参数，所谓 "超参数"，就是需要人为输入，算法不能通过直接计算得出的参数。

KNN中的k代表的是距离需要分类的测试点 最近的 k 个样本点，如果不输入这个值，那么算法中重要部分 "选出 个最近邻" 就无法实现。从 KNN的原理中可见，是否能够确认合适的k 值对算法有极大的影响。

三、KNN中超参数 的选定问题

（1） 值较小，就相当于较小的邻域中的训练实例进行预测，这时候只有与输入实例较近的（相似的）训练实例才会对预测结果起作用，但缺点是预测结果会对近邻的实例点非常敏感。如果邻近的实例点恰好是噪声，预测就会出错。
（2） 值较大，就相当于较大的邻域中的训练实例进行预测。这时与输入实例较远的 （不相似的）训练实例也会对预测起作用，使预测发生错误。因此，超参数 k 的选定是 KNN 的头号问题。
（3）在应用中，值一般取一个比较小的值，通常采用交叉验证法来来选取最优的值。对于二分类问题，可以把k设置成一个奇数，避免出现平局的情况。