← 返回实验室 Experiment 01 · Classification

K近邻：点一点就懂分类

不需要任何公式，先动手玩：拖动那颗金色的“?”点，看它会被判成哪一类。这背后就是机器学习里最直观的分类思想——物以类聚。

💡 实验指南 · 三分钟上手 第一次来？先读这里：这个实验在做什么、怎么操作、该看哪里。 收起 展开
🎯这个实验在做什么

要判断一个新样本属于哪一类，KNN 的办法很朴素：看离它最近的 K 个老样本，谁的票多就归谁。

画布里金色的 “?” 是待分类的新样本；蓝、红、绿点是已经知道类别的样本。

🖐️怎么操作
1拖动金色“?”点在画布上移动，右侧“当前判断”会实时更新。
2拉动 K 值滑杆，改变“参考几个邻居”，注意背景边界跟着变。
3点 “演示最近邻查找”，分步动画带你看完一次完整投票。
👀重点看哪里
金色点旁的预测浮标——当前这一点会被判成哪类。
大片背景颜色——决策边界，每块区域归属哪一类。
从“?”发出的发光连线——此刻正在投票的 K 个邻居。
移动待分类点模式：拖动或点击画布移动黄色点。
拖动我 ✦
A 类样本 B 类样本 C 类样本 待分类点（拖动它）
最近邻明细 · 谁在投票 边界 —ms · 本帧 —ms

这张表是当前金色点最近的 K 个邻居，按距离从近到远排序——它们就是上方画布里发光、连线的那几个点。

排名类别距离权重
正在计算最近邻...
先显示待分类点，再按距离高亮邻居，最后汇总投票。
✅ 引导任务 · 跟着做一遍 完成这 5 个小任务，你就摸清了 KNN 的全部直觉。每完成一项会自动打勾。 0 / 5

为什么 K 太小会敏感

结论：K 小时模型更容易被个别样本影响。

理解：像只听最近一个人的意见，判断会更容易波动。

为什么 K 太大会迟钝

结论：K 大时边界更平滑，但局部结构会被弱化。

理解：像把太多人意见平均掉，少数但重要的线索会被淹没。

距离度量不是小事

结论：“最近”取决于你如何定义距离。

理解：欧氏距离看直线，曼哈顿像走街区，切比雪夫像棋盘移动。