KNN算法的优缺点是什么？它适用于哪些场景？

KNN算法的优点：

1. 简单易实现，易于理解和解释；
2. 对于多分类问题具有较高的准确度；
3. 对于训练数据分布没有特殊要求，适应不平衡数据集；
4. 对于训练数据维度较高的情况仍然具有较高的准确度。

KNN算法的缺点：

1. KNN算法对于样本容量大、维度高的数据集计算量大，训练和预测时间较长；
2. KNN算法需要保存全部的训练数据，对存储空间要求较高；
3. KNN算法对于噪声和异常值敏感；
4. KNN算法对于样本类别分布不均匀的数据集预测准确度较低。

KNN算法适用于以下场景：

1. 样本容量较小的数据集；
2. 样本分布不均匀的数据集；
3. 多分类问题；
4. 数据维度较低的数据集；
5. 需要解释性强的分类任务。