Algorithme paresseux (lazy learning) qui classe un nouveau point en cherchant ses K voisins les plus proches dans l'ensemble d'entraînement et en attribuant la classe majoritaire parmi eux. KNN ne construit pas de modèle à l'entraînement — il mémorise simplement tout le dataset et effectue le calcul à l'inférence. La distance utilisée est généralement euclidienne, Manhattan, ou cosinus. Le choix de K est critique : K trop petit → variance élevée (overfit), K trop grand → biais élevé (underfit). KNN est sensible à l'échelle des features (normalisation nécessaire), aux dimensions élevées (curse of dimensionality), et lent à l'inférence sur de grands datasets. Utilisé pour la détection d'anomalies (LOF), les systèmes de recommandation basés sur la similarité, et comme baseline rapide.