K近邻算法是非常常用的一种基于实例（instance-based)学习算法，它有出色的精度，也很容易理解和实现。k近邻算法的步骤如下：
第一步：计算每个物体与其他物体的距离。K近邻算法主要是基于欧氏距离的，但也可以采用其他指标以计算不同物体之间的距离。
第二步：选择K个最近距离的物体，K是用户在研究过程中自己设定的正整数。
第三步：重点在于K近邻算法算法提出的基本假设，即与其最接近的K个邻居所属类别较多者，其所属类别就是该物体最可能属于的类别，或者可以用统计语言来表达，即，对某个物体而言，其所属类别就是K个最接近的物体所属类别的出现频率最多者。
第四步：采用投票表决方法作为分类标准，（通常采用多数表决），即物体里属于某一类别的最多，则该物体也属于该类别。
通过K近邻算法的步骤分析，可以看出，K近邻算法非常的简单，但功能却非常实用，它的特点就是对许多不确定性因素都有很好的处理能力，而且K近邻算法也无需对数据构建模型，因此它也得到广泛的应用。
