要回答这个问题，您需要问自己什么是模型。例如，一个简单的单变量线性模型，其中您有 2 个参数和输入数据。您可以通过将新数据引入并利用由线性关系和 2 个参数组成的知识来预测值。预测不需要其他知识，所以可以说线性模型的参数为2。没有训练数据值包含在参数中，它们被升华为回归模型参数。$y = \beta_0 + \beta_1 x$$\beta_0, \beta_1$$x$$x$

现在考虑 k 最近邻。哪个是型号？您有类似输入 x 邻居的最大计数的类索引。现在继续，如果我们进一步假设区域不重叠（这在某种程度上是一个强有力的假设，但不会影响主要思想），那么您可以得出结论，通常您将有个区域，并且在每个区域中您使用目标变量的最大计数进行预测。此最大计数用于预测，不需要其他信息。您的模型（考虑非重叠区域）类似于，其中是指示函数等于如果 ,$n/k$$y = \sum_{r=1}^{n/k} argmax_k (count(y_j)) 1_{j \in region_r}$$1$$1$$j \in region_r$$0$否则。

从该形式化中，您可以看到对于每个区域，您都有一个拟合为的参数，因此您可以说您有参数，因为这些参数仅用于预测（其他输入不是参数） .$argmax_k$$n/k$$x$

这可能会更进一步，例如考虑。在这种情况下，我们有一个区域，对于该区域，我们将单个参数拟合为多数类别的 argmax 索引。$k=n$

非重叠区域的假设看起来相当强，但使用它是为了简化计算。