Un clasificador de vecinos más cercanos guarda las observaciones de entrenamiento y, cuando llega una fila nueva, vota entre las más próximas. El ajuste n_neighbors controla cuántas observaciones participan en la votación. Una vecindad pequeña puede seguir el ruido local; una más grande suaviza las decisiones sobre más filas. Ninguna de las dos opciones es la mejor para todos los problemas.
La distancia depende de la escala de las variables. Una entrada medida en unidades grandes puede dominar aunque aporte poca señal útil. Ajusta StandardScaler con las filas de entrenamiento dentro del mismo pipeline que el clasificador. Reutiliza esa transformación al predecir el conjunto reservado. Estas tareas cambian el número de vecinos solicitado y usan registros ficticios de clientes nuevos. Los números impares reducen algunos empates en una votación binaria, pero en un conjunto de datos real los puntos repetidos y las distancias iguales pueden seguir exigiendo atención.
La votación entre vecinos depende de la distancia. El escalado ajustado con el entrenamiento evita que una variable con unidades numéricas grandes domine esa distancia.