1、相比决策树模型，KNN模型的可解释性不强
2、和朴素贝叶斯之类的算法比，对数据没有假设，准确度高，对异常点不敏感
3、KD树，球树之类的模型建立需要大量的内存
4、由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属的类别，因此对于类域的交叉或重叠较多的待分类样本集来说，KNN方法较其他方法更为适合
5、样本不平衡的时候，对稀有类别的预测准确率低
6、可以用于非线性分类
7、训练时间复杂度比支持向量机之类的算法低
8、计算量大，尤其是特征数非常多的时候
9、是慵懒散学习方法，基本上不学习，导致预测时速度比起逻辑回归之类的算法慢
10、该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量比较小的类域采用这种算法比较容易产生误分类情况
11、理论成熟，思想简单，既可以用来做分类又可以做回归