Answers:
这些是完全不同的方法。他们俩的名字中都带有字母K的事实是一个巧合。
K均值是一种聚类算法，它试图将一组点划分为K个集（簇），以使每个簇中的点趋于彼此靠近。它是无监督的，因为这些点没有外部分类。
K最近邻是一种分类（或回归）算法，为了确定点的分类，将K最近点的分类合并在一起。之所以受到监督，是因为您试图基于已知的其他点分类来对点进行分类。
正如Bitwise在其答案中指出的那样，k均值是一种聚类算法。如果涉及k最近邻（k-NN），则该术语有点模糊：
在分类的上下文中，它是一种分类算法，如上述答案中所述
通常，这是一个问题，为此存在各种解决方案（算法）
因此，在第一种情况下，说“ k-NN分类器”实际上可以表示解决k-NN问题的各种底层具体算法，并且将其结果解释为分类目的。
这是两件事，但您可能会发现k均值算法是解决k NN问题的多种可能方法之一（Marius Muja和David G. Lowe，“具有自动算法配置的快速近似最近邻居”，国际计算机视觉理论与应用会议（VISAPP'09），2009 PDF）
您可以有监督的k均值。您可以根据标记的数据构建质心（如k均值）。没有什么能阻止你。如果您想改善这一点，欧几里德空间和欧几里德距离可能无法为您提供最佳结果。您将需要选择空间（例如，可以是黎曼空间）并定义点之间的距离（甚至定义一个“点”）。最后两个是研究主题，它们还取决于您拥有的数据（信号）的类型（属性）。