KNN
分类算法监督学习数据集是带Label的数据没有明显的训练过程，基于Memory-based learningK值含义 - 对于一个样本X，要给它分类，首先从数据集中，在X附近找离它最近的K个数据点，将它划分为归属于类别最多的一类
K-means
聚类算法非监督学习数据集是无Label，杂乱无章的数据有明显的训练过程K值含义- K是事先设定的数字，将数据集分为K个簇，需要依靠人的先验知识
不同点：
两种算法之间的根本区别是，K-means本质上是无监督学习，而KNN是监督学习；K-means是聚类算法，KNN是分类（或回归）算法。
K-means算法把一个数据集分割成簇，使得形成的簇是同构的，每个簇里的点相互靠近。该算法试图维持这些簇之间有足够的可分离性。由于无监督的性质，这些簇没有任何标签。KNN算法尝试基于其k（可以是任何数目）个周围邻居来对未标记的观察进行分类。它也被称为懒惰学习法，因为它涉及最小的模型训练。因此，它不用训练数据对未看见的数据集进行泛化。
相似点：算法都包含给定一个点，在数据集中查找离它最近的点的过程。
