不太确定，但 KNN 对我来说意味着 K-Nearest Neighbors，所以两者都是一样的。K 仅对应于您在分类时考虑的最近邻居的数量。

也许你所说的最近邻是 K = 1 的 KNN。

Scikit 在他的文档中写道：

sklearn.neighbors 为无监督和有监督的基于邻居的学习方法提供功能。无监督最近邻是许多其他学习方法的基础，特别是流形学习和谱聚类。基于监督邻居的学习有两种形式：具有离散标签的数据分类和具有连续标签的数据的回归。

最近邻方法背后的原理是找到与新点距离最近的预定义数量的训练样本，并从中预测标签。样本数量可以是用户定义的常数（k-最近邻学习），也可以根据点的局部密度而变化（基于半径的邻接学习）。通常，距离可以是任何度量：标准欧几里得距离是最常见的选择。

你可以在这里阅读更多关于它的信息https://scikit-learn.org/stable/modules/neighbors.html