（四）基于KNN的分类方法

基于KNN的分类方法通过对样本实例间距离的度量来确定待分类对象的分类属性，它需要不断地调整数据的分类分布以获得理想的分类结果。[7]

基于KNN的分类方法有如下主要优点:①KNN方法简单、有效，训练耗时较短；②时间和空间复杂度均符合线性规律；③适合对样本集重叠较高的数据进行分类，这是由于KNN方法对数据对象的分类主要取决于待分类对象到样本集之间的距离；④适合样本数量较大的数据对象的分类。

该分类方法的主要缺点有:①该方法对样本数量较小的数据对象的分类效果较差；②KNN采用的是懒散学习方法，输出结果的可解释性不强；③该方法的计算量较大，可以通过提高KNN方法的效率来删除样本集中对分类效果影响不大的样本。