KNN算法在分类任务中如何确定一个样本的类别?A. 选择最近的K个邻居,取它们的平均值B. 选择最近的K个邻居，取出现次数最多的类别C. 选择最近的一个邻居,取它的类别D. 选择最远的K个邻居,取出现次数最少的类别

KNN算法是一种基于实例的监督学习方法，其核心思想是“近朱者赤，近墨者黑”，即通过已有样本的类别来预测新样本的类别。在分类任务中，KNN的关键步骤是：

1. 计算距离：确定新样本与训练集中所有样本的距离；
2. 选择K近邻：按距离排序，选取最近的K个样本；
3. 投票决策：根据这K个样本的类别，采用多数投票法确定最终类别。

破题关键在于区分分类与回归任务的差异：分类任务用“类别投票”，回归任务用“数值平均”。题目明确为分类任务，因此正确答案需体现“多数类别”。

选项分析

• A. 取平均值：错误。平均值适用于回归任务（如预测房价），而非分类任务。
• B. 取出现次数最多的类别：正确。分类任务中，KNN通过统计K近邻中出现次数最多的类别进行预测。
• C. 取最近的一个邻居：错误。虽然K可设为1，但题目问的是KNN的通用逻辑，而非特例。
• D. 取最远的K个邻居：错误。KNN始终选择最近的K个邻居，而非最远。