如果继续下去，最终会导致 CV 错误再次开始上升。这是因为你做的越大$k$, 进行的平滑越多，最终您将平滑得如此之多，以至于您将获得一个模型对数据的拟合不足而不是过度拟合（使$k$足够大，并且无论属性值如何，输出都是恒定的）。我会延长情节，直到 CV 错误开始再次显着上升，只是为了确定，然后选择$k$最大限度地减少 CV 误差。你做的越大$k$决策边界越平滑，模型越简单，所以如果计算费用不是问题，我会选择更大的值$k$如果他们的 CV 误差的差异可以忽略不计，则比更小的一个。

如果 CV 误差没有再次开始上升，这可能意味着属性没有提供信息（至少对于该距离度量而言），并且提供恒定输出是它可以做的最好的事情。

为什么不选择$K=17$? 看起来 CV 错误在那之前一直在下降，然后逐渐变平。如果您只关心预测准确性，那么我不会选择$K=3$因为看起来很明显你可以做得更好。

集群数量背后有什么物理或自然意义吗？如果我没记错的话，随着 K 的增加，错误减少是很自然的——有点像过拟合。与其寻找最优的 K，不如根据领域知识或直觉来选择 K？