无监督版本只是实现了不同的算法来为每个样本找到最近的邻居。

kNN算法包括两个步骤：

1. 计算并存储训练集中每个样本的 k 个最近邻（“训练”）
2. 对于未标记的样本，从数据集中检索 k 个最近邻，并通过 k 个最近邻之间的多数投票/插值（或类似）预测标签（“预测/查询”）

无监督版本基本上只是第 1 步，kNN 算法的训练阶段。

algorithm='brute'（这很有用，因为如果您的数据集很大，对所有样本（在这里。）

混乱来自 Sklearn 设计代码的方式。

简短的回答

您提到的“无监督”版本不是 K-Nearest Neighbor 算法（在此处实现）。在它的描述中，它只写着：

“用于实施邻居搜索的无监督学习器。”

这个学习器实际上是KNNClassifier为了有效地执行邻居搜索而使用的。Sklearn 将其作为一个单独的学习器，因为其他算法KMeans也需要执行邻居搜索。

长答案

存在许多需要邻居搜索的算法。KNN 和 K-Means 是其中一些著名的。作为设计选择，Sklearn 决定将邻居搜索部分实现为自己的“学习器”。

要找到最近邻居，您显然可以计算所有成对距离，但它可能不是很有效。这就是为什么存在使用特定数据结构（如 KD-Tree 或 Ball-Tree）的更智能方法的原因（顺便说一下，Ball 树在高维数据上的性能通常比 KD-Trees 更好）。

如果您fit是无监督模型，您将根据您为参数NearestNeighbors设置的值将数据存储在数据结构中。然后，您可以在需要邻居搜索的模型中algorithm使用此无监督学习器。kneighbors