Um modelo de mineração de dados pode apresentar ótimos valores de acurácia (maiores que 90%) e ao mesmo tempo apresentar péssimos valores de precisão (menores que 10%).

Overfitting, ou sobreajuste, pode acontecer quando um modelo de aprendizado se ajusta aos ruídos presentes nos dados de treinamento. Nesses casos, o sobreajuste é constatado quando o modelo treinado performa muito mal nos dados de treinamento e, em contrapartida, performa muito bem em novos dados.

Uma das formas de avaliar o desempenho de um modelo de mineração de dados é pelo F1 score, que consiste na média harmônica entre a precisão (precision) e a acurácia (accuracy).

O algoritmo kNN (k-Nearest Neighbors, vizinhos mais próximos em português) se enquadra em um modelo de aprendizado não supervisionado, pois os dados usados no aprendizado são rotulados ou etiquetados (labeled data).