问题是关于分类的knn算法-训练样本的类标签是离散的。
假设训练集有与我们即将分类的新模式相同的n点，即这些点到新观测点的距离为零（或<epsilon）这些相同的训练点可能会有不同的类别标签。现在假设n < K并且还有一些其他训练点是近邻集合的一部分，但是它们与新观测点的距离不是零。在这种情况下，如何将类标签分配给新点？
可能性很小，例如：
考虑所有k个（如果与最差的近邻有联系，则大于或等于k个）邻居，并进行多数投票
如果训练数据中有新点的“克隆”，则忽略非零距离的邻居，并只对克隆进行多数投票
与2相同。但在训练数据中（在克隆人中）分配具有最高先验概率的类
...
有什么想法吗？（也可参考文献）
最佳答案
每种建议的方法都会在某些问题上起作用，而在某些问题上则不起作用。一般来说，不需要真正考虑此类边界情况，只需使用默认行为（问题中的选项“1”）。事实上，如果任何分类算法的边界情况成为问题，则它是至少一个信号：
错误的问题定义，
错误的数据表示，
错误的数据预处理，
使用了错误的模型。
从理论的角度来看，如果某些点正好位于训练数据的位置，则没有任何变化。唯一的区别是，如果您有一致的训练集（从某种意义上说，不同标签的重复不会出现在训练数据中）并且100%正确（每个标签对于这一点来说都是一个完美的标签），那么根据该点的标签添加一个if子句是合理的。但在现实中，情况很少如此。
关于algorithm - K最近邻分类带有相同点的特例，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/18681120/