kNN（k-Nearest Neighbors，k近邻算法）是一种用于分类和回归的简单机器学习算法。在分类问题中，kNN根据输入样本的特征，找出与该样本最近的k个训练样本，然后根据这k个样本的标签进行投票，选择票数最多的标签作为预测结果。在回归问题中，kNN计算与输入样本最近的k个训练样本的平均值或加权平均值，作为预测结果。

kNN算法的主要步骤如下：

1. 计算输入样本与训练样本之间的距离（通常使用欧氏距离或曼哈顿距离等）。
2. 根据距离选择与输入样本最近的k个训练样本。
3. 在分类问题中，通过投票决定输入样本的类别。
4. 在回归问题中，通过平均值或加权平均值预测输入样本的输出值。

kNN算法的优点是简单易懂，不需要训练过程，适用于小规模数据集和非线性问题。然而，kNN算法的计算复杂度较高，对大规模数据集和高维数据不太适用。此外，kNN算法对于噪声和离群点较为敏感，需要谨慎选择合适的距离度量和k值。