最鄰近點規則(以下簡稱為KNN，因為每個人對此的中文稱呼不一樣)是在一個地方上有很多個點，將所有點都分類好，而產生不同的區域。若之後有新的點加入，則計算該未知點至其他的所有已知點的距離，得知該點較為偏向哪種區域。
　　舉例來說，有一個二維座標，上面6個樣本，每個樣本分布在不同的遊戲種類，目前就兩個種類分別是動作類以及愛情類，x軸象徵格鬥，y軸象徵交往，分數越高表示其在遊戲中比例越重。其比重以及分佈如下。

　　如今有個樣本G加入，其格鬥15，交往4，計算它與A、B、C、D、E、F之間的距離分別為：3、4、5、14、13、12，若取前四個接近的樣本，則有三個為動作類，一個是愛情累，因此判斷G距離動作類較為接近，把 G歸類在動作類遊戲。
　　這方法用在歸類上很方便，但是如果其中一個種類的樣本數很多，可能在一定距離以內，該種類樣本數較多，因此就被歸類在較多的樣本數中了，但並非有最接近的樣本，示意圖如下：中間正方形是未知的樣本，可以看到紅圈是距離下AB有的樣本數，顯然A有更接近正方形，可是其樣本數反而B比較多，因此未知的樣本就會被歸類在B區。

　　用這方法可以很輕鬆的機器學習，但如果當樣本數多、區域多的時候，可能分類的效果就沒那麼好了。