我是人工智能领域的新手。我理解 K 近邻算法以及如何实现它。但是，对于那些不在同一个尺度上的事物，该如何计算它们的距离或权重呢？

例如，年龄的距离很容易计算，但是如何计算红色与蓝色的接近程度呢？也许颜色不是一个好例子，因为你仍然可以使用频率来表示。那么，如果是汉堡、披萨和薯条呢？

我感觉一定有一种巧妙的方法可以做到这一点。

提前感谢您的关注。

编辑：感谢大家的精彩回答。它真的很有帮助，我很感激。但我认为肯定有出路。

我可以这样做吗？假设我使用我的 KNN 算法来预测一个人是否会在我的餐厅用餐，我的餐厅提供以上三种食物。当然，还有其他因素，但为了简单起见，对于“最喜欢的食物”这个字段，在 300 个人中，150 人喜欢汉堡，100 人喜欢披萨，50 人喜欢薯条。常识告诉我，最喜欢的食物会影响人们是否用餐的决定。

所以现在一个人输入了他/她最喜欢的食物是汉堡，我将预测他/她是否会在我的餐厅用餐。忽略其他因素，并基于我的（训练）先前的知识库，常识告诉我，对于这个特定的“最喜欢的食物”字段，与他/她输入披萨或薯条相比，k 个最近邻居的距离更近的可能性更高。

唯一的问题是我使用了概率，我可能会出错，因为我不知道，也可能无法计算实际距离。我还担心这个字段在我的预测中占据太多/太少的权重，因为这个距离可能与其他因素（价格、一天中的时间、餐厅是否已满等，这些我都可以轻松量化）不成比例，但我认为我可以通过一些参数调整来解决这个问题。

哦，每个人都提出了很棒的答案，但我只能接受一个。在这种情况下，我明天会接受票数最高的那个。再次感谢大家。

回答：

将您收集数据的每种食物表示为一个“维度”（或表中的一列）。

记录您可以收集数据的每个人的“喜好”，并将结果放入表中：

          Burger  |    Pizza  |   Fries   | Burritos |  Likes my food
person1     1     |        0  |       1   |     1    |      1
person2     0     |        0  |       1   |     0    |      0
person3     1     |        1  |       0   |     1    |      1
person4     0     |        1  |       1   |     1    |      0

现在，给定一个新人，拥有关于他喜欢的一些食物的信息，您可以使用简单的度量（如 Pearson 相关系数，或 余弦相似度等）来衡量与其他人的相似性。

现在您有了一种找到 K 个最近邻居并做出一些决定的方法了。

有关此的更高级信息，请查找“协同过滤”（但我会警告你，它变得非常数学化）。