KNN (K plus proches voisins)
KNN est un algorithme d’apprentissage supervisé qui classe ou prédit une donnée en fonction de ses voisins les plus proches dans l’espace des caractéristiques. Principe : des points similaires se situent à proximité les uns des autres. Pour classer une nouvelle observation, l’algorithme identifie ses K voisins les plus proches (K étant fixé au préalable) et lui attribue la catégorie majoritaire parmi eux — ou, en régression, la moyenne de leurs valeurs. Développé initialement par Evelyn Fix et Joseph Hodges en 1951.
Particularité technique : KNN est un algorithme « paresseux » (lazy learning) — il ne construit aucun modèle à l’entraînement, il garde simplement toutes les données en mémoire et fait le calcul au moment de la prédiction. Simple à comprendre et à implémenter, mais coûteux en mémoire et en calcul quand le volume de données grandit. Le choix de K est déterminant : trop petit, le modèle est sensible au bruit ; trop grand, il lisse excessivement les résultats.
En RH, KNN sert au matching candidat/poste (retrouver les profils les plus proches d’un poste type) ou à la segmentation de salariés par similarité de parcours — une approche intuitive, mais qui devient lente sur de gros volumes de CV ou de données RH.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Datascientest (18/02/2026), IBM (01/06/2026).