想象一下，我们要分类为red或blue数据云中的未知灰点。您的算法设置为测量到最近邻居的欧几里得距离：$k =3$

其中两个是蓝色的，第三个是红色的。即使为三个点中的每一个分配统一的权重（平等投票），该算法也正确地将未知的灰球分类为blue。但是，我们开始想知道为什么我们给第三个球（red与灰色球周围的“影响范围”相切的球）给予平等的投票权。它对分类的影响与第一个和第二个更接近球一样多，这并不完全公平。

因此，我们通过欧几里得距离平方的倒数对投票进行加权，以避免可能导致虚假分类的情况：

在这种情况下，两个邻居错误地指向一个red分配，并赢得了最终投票，从而推翻了更近的蓝色邻居的影响，这种影响可以通过平方距离的倒数加权来考虑，这样最远的- 客场red球在分类中发言权最少：

在计算上，该算法将尝试使用以下公式解决每种情况：

$r$代表类的数量（在本例中为 , { , }），是指示变量：获得每个类的总和。最后，通过核函数计算的权重，在您描述的情况下，可能是反演核$2$redblue$\mathbf{1}$$w_{(i)}$ $\frac{1}{\lvert d\rvert}.$