当 k=3时，这是一个简单的情况，最近的 3 个样本与新样本的距离相同。其中两个来自第 1 类，一个样本来自第 2 类，因此新样本将被归为第 1 类。

当 k=2时，它更加棘手。假设 2 个特征 (x,y) 对分类具有相似的重要性（否则应使用一些预先确定的权重计算距离），您可以：

1. 从 3 个候选者中随机选择 2 个（您基本上承认在这种情况下，您的模型没有足够的信息用于基于 2-NN 的分类）。

2. 将所有候选人考虑在内（例如，对于这种情况，您可以使用 3-NN）。

当 k=1时，与 k=2 情况相同的选项（您仍然需要达到 3-NN）。

在这种特定情况下，因为您的 3 个最近邻居的距离都相同，所以我会选择使用 K-NN。但是，对于具有相同距离的 4 个样本的类似情况，每类 2 个，我会随机选择（不去 5-NN）。