k近邻（kNN）二分类场景下k取偶数导致投票平局的问题如何解决

以下是工程实践中常用的几种处理方案，可根据业务场景选择：

• 优先按距离权重判定：不直接采用等权投票，给距离更近的近邻分配更高的投票权重（通常用距离的倒数作为权重），平局时统计两类的总权重，选择总权重更高的类别。如果是k=2的极端平局场景，直接选择距离待分类样本更近的那个近邻所属的类别即可。
• 临时调整k值为奇数：出现平局时自动丢弃所有近邻中距离最远的1个样本，将k值临时减为奇数后再重新投票，从根源消除平局可能性。如果还未开始训练，也可以直接将初始k值设为奇数，从源头规避该问题，这是业务落地中成本最低的处理方式。
• 预设偏向规则：根据业务对两类错误的容忍度设置平局偏向，比如癌症二分类场景中，平局时直接判定为阳性，避免漏诊高风险病例；没有明确业务偏向时，也可以默认偏向训练集中占比更高的多数类，降低整体分类错误率。
• 随机选择类别：当两类错误的代价完全相等、也没有其他偏好规则时，可在平局时从两个类别中随机抽选一个作为结果，该方法实现成本极低但稳定性差，非必要不推荐。

目前主流的机器学习工具包都内置了平局处理逻辑，比如scikit-learn的KNeighborsClassifier会默认在平局时选择排序更靠前的类标签，也支持通过weights参数设置距离加权规则，无需开发者手动实现基础逻辑。

内容的提问来源于stack exchange，提问作者Blademoon