Classifier tetangga terdekat menyimpan observasi pelatihan dan melakukan voting di antara observasi yang paling dekat ketika sebuah baris baru masuk. Pengaturan n_neighbors menentukan berapa banyak observasi yang ikut dalam voting. Lingkungan tetangga yang kecil bisa mengikuti noise lokal; yang lebih besar menghaluskan keputusan di lebih banyak baris. Tidak ada pilihan yang terbaik untuk semua masalah.
Jarak bergantung pada skala fitur. Input yang diukur dalam satuan besar bisa mendominasi meskipun sinyal berguna yang dibawanya sedikit. Latih StandardScaler pada baris data pelatihan di dalam pipeline yang sama dengan classifier. Pakai kembali transformasi itu saat memprediksi data holdout. Tugas-tugas ini mengubah jumlah tetangga yang diminta dan memakai catatan pelanggan fiktif yang baru. Jumlah ganjil mengurangi sebagian hasil seri dalam voting biner, tetapi titik yang berulang dan jarak yang sama tetap bisa perlu diperhatikan pada dataset nyata.
Voting antartetangga bergantung pada jarak. Penskalaan yang di-fit pada data latih mencegah fitur dengan satuan numerik besar mendominasi jarak itu.