K临近算法是基于实例的学习，使用算法的时候我们必须要有接近分类结果的实例训练样本数据。
优点：精度高，对异常值不敏感
缺点：
- 时间复杂度和空间复杂度比较大。（如果训练样本数据集比较大，需要大量的空间来保存数据，并且需要待预测数据和训练样本数据集每条数据的距离，耗费时间。）
- 无法给出任何数据的基础结构信息，因此无法知晓平均实例样本和典型事例样本有什么特征。
- 无法持久化分类器。
作者：
HarlanC
博客地址：
http://www.cnblogs.com/harlanc/
个人博客：
http://www.harlancn.me/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出,
原文链接
如果觉的博主写的可以，收到您的赞会是很大的动力，如果您觉的不好，您可以投反对票，但麻烦您留言写下问题在哪里，这样才能共同进步。谢谢！