1、临近性用距离度量：比如欧几里得距离，两个点或者元组
(
,
,
,
.......
)和
(
,
,
,
.......
)d的距离是
,换而言之，对于每个数值属性，取元祖，
该属性对应值的差，取差的平方并累计，并取累计距离技术的平方根，通常在使用上述公式之前，要将每个属性进行规范化，这样有助于防止具有较大初始值域的属性（收入）比具有较小初始值域（如二元属性）的属性的权重过大。可以通过如下公式进行规范化，使用最小——最大规范化将数值属性A的值v变换到[0,1]之间的，min和max分别代表属性A中的最大值和最小值。另外一种标准化的方式是中心化处理
2、但是如果属性不是数值而是分类的（比如颜色），如何计算他们之间的距离，上面计算距离的方法主要是属性A的值都是数值型的，对于分类属性，一种简单的方法，是比较元组，
对应属性的值。如果二者相同，例如二者都是蓝色（
的属性值是蓝色，
的属性值是蓝色），则二者的之间的差值是0.如果二者去不同的颜色，（
的属性值是红色，
的属性值是蓝色）一个是蓝色，一个是红色，则二者之间的差为1。其他方法可能采用更复杂的方案（例如，对蓝色和白色赋予比蓝色和黑色更大的差值）
3、遇到缺失值的解决办法。假设，
对应属性A的值，假定每个属性值都被映射到[0,1]之间。对于分类变量（属性），
，
中A属性对应的值如果一个或者两个缺失，就取差值为1。对于数值型，如果对应的
，
都缺失，其差值取1.如果一个值缺失，而另一个存在并且已经规范化，则取差1-
和-
的绝对值的最大者。
4、k值得取值方法为了避免欠拟合和过拟合的问题，一般取值是在3~10之间。一种常见的做法就是设置k等于训练集中案例数量的平方根。另一种是基于各种测试集来测试多个k值，并选择一个可以提供最好分类性能的k值。