简短版本：这只是术语，但可以说 K-NN 实际上并不适合模型。

从概念上讲，K-NN 是一种惰性学习模型。这意味着，从某种意义上说，在新实例到达进行分类或必须预测值之前没有拟合（取决于您是使用 K-NN 进行分类还是回归，两者都是可能的）。即便如此，在我看来，使用“拟合模型”这个词还是有点不合时宜。

我认为您的困惑在于“模型拟合恰好可以减少错误”这句话。不，不是的。模型拟合只是获取一个模型（例如，一系列数据分布）并通过找到更好地描述数据的参数来拟合模型（从而从该家族中选择一个成员）。

也许你认为神经网络的时代是“合适的”？那里发生的是一系列可能的模型（网络中每个权重的所有可能值），拟合模型只是找到最佳可能值。神经网络以迭代方式这样做的事实并不意味着拟合是一个迭代过程，拟合是最终结果。

所以训练集和测试集只是为了做下面的事情，对吧？

嗯，对每个模型都是如此，是的。训练和测试集分离的唯一目的是根据所选指标评估模型。归根结底，您选择部署的最终模型，无论是懒惰的还是急切的，都将使用所有可用数据（或在某些情况下，它的一部分/转换），而不仅仅是训练集。