@jbowman 的好回答是绝对正确的，但我错过了一点。更准确地说，k=1 的 kNN 通常意味着过度拟合，或者在大多数情况下会导致过度拟合。

要了解为什么让我参考这个其他答案，其中解释了为什么 kNN 可以为您提供条件概率的估计。当 k=1 时，您根据单个样本估计您的概率：您最近的邻居。这对各种失真非常敏感，例如噪声、异常值、数据错误标记等。通过为 k 使用更高的值，您往往对这些失真更加稳健。

您的标题问题的简短回答是“否”。考虑一个带有二进制目标变量的示例，该变量在很大程度上被单个解释变量的某个值完全分开：

显然，1-NN 分类在这里可以很好地工作并且不会过拟合。（事实上​​，还有其他方法同样有效并且可能更简单，这与中心点无关。）

TF-IDF 值超出了我的专业领域，但总的来说，写得松散，目标值的值在解释值跨越的空间中的间隔越大，1-NN 分类就越有效，而不管应用领域。

冒着说明对许多读者来说显而易见的事情的风险，您需要特别小心的一件事是估计 1-NN 分类器的分类准确性。

对于分类器准确性的任何估计，您需要拆分用于训练分类器的数据（训练集）和用于测量分类器准确性的数据（测试集）。这通常使用交叉验证、引导程序等重采样技术来完成。如果您不这样做，您将高估准确性。1-NN 是该问题的最极端示例：如果您构建一个 1-NN 分类器并在相同的数据集上对其进行测试，您将获得 100% 的准确度，因为（排除平局）“最近邻”将是点本身。

即使你将训练和测试分开，如果你使用的数据不是真正独立的（比如来自同一作者的文本最终同时出现在训练和测试集中），这可能是一个问题，因此最近的邻居比它更接近如果您正确采样。