距离与邻居投票
K近邻(KNN)分类
不估计一棵树或一个超平面，只在标准化后的面积–单价空间里找到最近的 K 套房子，按邻居标签多数表决。
这篇能回答什么
K 近邻分类回答的是：「这套房子在标准化后的定量空间里，最像已经标好档的哪几套，那几套的多数标签是什么」。它是惰性的：拟合阶段几乎只做标准化与存表，真正的计算发生在预测时——对每一个查询点算到其余点的欧氏距离，取出最近的 K 个，投票。没有基尼切点，没有间隔，没有有序目标均值。
适合：特征能当成坐标，例如面积(平米)、楼层、总楼层、建筑年份、单价(元/平米)；标签是互斥档（教学结果记为 A/B/C 占用）。K 过小会跟着噪声邻居走，K 过大则把远处另一档的点也拉进投票，边界被抹平。城市、区域不是欧氏坐标，不要塞进来。
什么时候不该用
特征以城市、区域为主时，距离没有定义，应改CatBoost分类。需要一条最大间隔边界、并且能接受核映射时，用支持向量机(SVM)分类。要可打印的面积门槛，用树。没有标签、只想把点收成团，用K-Means 聚类分析——聚类的「K」是簇数，这里的 K 是邻居个数，不要混用。
如何选择方法
先问坐标是否成立。五列住房定量经 Z-score 后，远近有单位一的含义，KNN 说得通。若你真正想要的是「隔得最开的一条缝」，那是 SVM 的间隔；若想要「乱切很多棵树再投票」，那是 ExtraTrees。KNN 没有任何参数向量可写入方法节，只能写 K、距离和是否标准化。
K近邻(KNN)分类：≥2 个定量特征，K 为奇数邻居数；输出预测占用。
支持向量机(SVM)分类：同样要标准化，但决策来自支持向量与核，不是数邻居。
线性判别：假设各类协方差相近，估计判别轴，不是存下全部点。
K-Means：无标签；K 表示簇数，与邻居数无关。
输入、输出与限制
输入
特征必须是定量。目标为 1 个定类。K 是超参数，不是数据列。有效行数必须严格大于 K，否则每个点的邻居袋装不满。
特征变量：最少 2 个，最多 30 个定量列。
目标变量：正好 1 个定类，2–15 个水平。
邻居数 K：奇数，范围 1–31，默认 5。
输出
占用表统计预测标签落入 A/B/C 的套数与占比。本例 C 86 套（41.15%）说明有更多查询点的五近邻里 C 占上风。产品不把五名邻居的房源ID列出来，也不输出逐点距离矩阵。图为占用柱。
产品限制
拟合前对每一列做 Z-score；距离为标准化空间的欧氏距离。
有效行至少 20 且 >K；超过 6000 行时，预测阶段对查询点分层抽样（种子 42）。
定类列（城市、区域、装修情况）不能作为距离坐标，放入会被拒绝。
房源ID、小区名称拒绝。
没有训练损失曲线：惰性方法不迭代权重。
SPSS「最近邻分析」默认可能用不同的标准化或特征加权；不要用它的交叉验证错误率来对这张占用表。
案例
研究问题。 在不建立切点或超平面的前提下，用五列定量住房属性判断一套房子更像已标注的哪一档：只看标准化后最靠近的五套邻居如何投票。
有效样本 209，K=5。占用 A 59（28.23%）、B 64（30.62%）、C 86（41.15%）。C 邻域最密，但 A、B 仍各有五十多套，没有出现「几乎只剩一档」。下载评价表，只勾选面积、楼层、总楼层、建筑年份、单价，不要勾城市。
在 StatsX 中操作
步骤 1 · 载入评价表
Sheet1。把房源ID留在表里没关系，指定角色时不要勾它。
步骤 2 · 只留能当坐标的列
画像里面积与单价量纲差两个数量级，这正是必须标准化的理由；城市没有坐标，不要进特征。
步骤 3 · 搜索「K近邻」或「KNN」
点分类而不是回归。K 保持 5，除非你有预先写进方案的奇数。
步骤 4 · 五列定量 + 三档目标
特征：面积(平米)、楼层、总楼层、建筑年份、单价(元/平米)。目标：三档标签。运行。
步骤 5 · 对照占用与密度
C 若明显高于另外两档，先想「C 标签是不是在单价–面积平面上成团」，而不是改写成准确率。
如何阅读输出
占用不是混淆矩阵。209 套里 C 86 套只说明：对这 86 个查询点，五名最近邻居里 C 票最多。A 与 B 相差 5 套，在 K=5 的离散投票下属于正常抖动，不要写成「B 显著多于 A」。
| 项目 | 类别 | 统计量 | 取值 |
|---|---|---|---|
| K近邻(KNN)分类 | 类别 A | 频数 | 59 |
| K近邻(KNN)分类 | 类别 B | 频数 | 64 |
| K近邻(KNN)分类 | 类别 C | 频数 | 86 |
| K近邻(KNN)分类 | 合计 | 有效样本 N | 209 |
| K近邻(KNN)分类 | 类别 A | 占比(%) | 28.23 |
| K近邻(KNN)分类 | 类别 B | 占比(%) | 30.62 |
| K近邻(KNN)分类 | 类别 C | 占比(%) | 41.15 |
左右滑动可查看完整表格
教学示例表在 StatsX 工作台中的计算结果口径。
KNN（K=5，欧氏距离，Z-score 后）在 209 套上的预测占用为 A 59、B 64、C 86。C 占 41.15%，是三档里最密的邻域，但没有像某些树集成那样吞掉六成样本；占用反映的是「周围五套邻居里谁更多」，不是间隔，也不是有序类别统计。
建议顺序：确认已标准化 → 看 N 与 K 的关系（209 远大于 5，邻居袋是满的）→ 读三档占用是否极端 → 再决定要不要改 K。K 改成 1 时占用会更碎，改成 15 时会更像边际密度的平滑版。本页数字只对 K=5 有效。
理论与公式
对每个定量列做 x'=(x-\bar x)/s 后，查询点 x 与存表点 x_i 的距离为
把距离升序排列，取前 K 个下标构成邻域 N_K(x)。预测为邻域标签的多数票；平票时产品按类编号稳定打破（A < B < C），因此边界上的点会略偏向字母靠前的档，但本例 A 并未因此超过 B。
覆盖误差随维度上升：在固定 N 下，最近邻的距离趋于集中，投票失去局部性。这就是最多 30 个定量列的产品上限所针对的现象。占用 \hat n_c=\sum_m 1(\hat y_m=c) 只描述票箱结果，与经验风险不是同一张表。
注意事项
未标准化时，单价（元/平米）会吞掉楼层，邻居变成「谁单价接近」的名单。
K 必须预先写进分析方案；看完占用再改 K 属于数据窥探。
城市、装修情况没有欧氏含义，拒绝它们不是缺陷。
预测阶段对大表抽样时，占用是抽样查询点上的占用，洞察会写明。
惰性方法把全部有效行存下来，不能当「已经学到一条可部署的公式」。
占用接近均衡也不证明分界清晰，边界上的点可以整袋邻居来自不同档。
常见问题
参考文献
Cover, T., Hart, P. Nearest neighbor pattern classification[J]. IEEE Transactions on Information Theory, 1967, 13(1): 21–27.
Hastie, T., Tibshirani, R., Friedman, J. The Elements of Statistical Learning[M]. Springer, 2009.
周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.