这些是完全不同的方法。他们的名字中都有字母K的事实是巧合。

K-means是一种聚类算法，它试图将一组点划分为 K 个集合（簇），以使每个簇中的点趋向于彼此靠近。它是无监督的，因为这些点没有外部分类。

K最近邻是一种分类（或回归）算法，为了确定一个点的分类，结合K个最近点的分类。它是受监督的，因为您试图根据其他点的已知分类对一个点进行分类。

正如Bitwise在他们的回答中指出的那样，k-means 是一种聚类算法。如果涉及 k-最近邻 (k-NN)，则术语有点模糊：

• 在分类的上下文中，它是一种分类算法，如上述答案中所述

• 一般来说，这是一个问题，存在各种解决方案（算法）

所以在第一个上下文中，说“k-NN 分类器”实际上可以表示解决 k-NN 问题的各种底层具体算法，并且它们的结果被解释为分类目的。

这是两件不同的事情，但您可能会发现有趣的是，k-means 算法是解决 k-NN 问题的各种可能方法之一（Marius Muja 和 David G. Lowe，“Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration”，在计算机视觉理论与应用国际会议 (VISAPP'09), 2009 PDF )

你可以有一个有监督的k-means。您可以根据标记的数据构建质心（如在 k-means 中）。没有什么能阻止你。如果您想改进这一点，欧几里得空间和欧几里得距离可能无法为您提供最佳结果。您将需要选择您的空间（例如可以是黎曼空间）并定义点之间的距离（甚至定义一个“点”）。最后两个是研究主题，它们还取决于您拥有的数据（信号）的类型（属性）。

K-means 可以为邻居节点创建集群信息，而 KNN 无法找到给定邻居节点的集群。