K近邻适合有十几个特征但是训练数据少（大概为80个）的二分类样本吗

在有十几个特征但是训练数据少（大概为80个）的情况下，k近邻算法是一种可以考虑使用的机器学习算法。

k近邻算法是一种基于实例的学习方法，它根据样本之间的距离进行分类。在数据量较小的情况下，k近邻算法可以获得较好的分类效果，并且可以处理高维数据。

然而，k近邻算法的计算复杂度较高，在处理大规模数据集时效率较低。此外，k近邻算法对于训练数据中的噪声敏感，可能会出现过拟合的情况。因此，在使用k近邻算法时需要注意数据预处理和模型参数的选择，以避免过拟合和提高算法的效率。

综上所述，k近邻算法可以考虑用于有十几个特征但是训练数据少的情况下的二分类问题，具有较好的分类效果和处理高维数据的能力。但需要注意计算复杂度和噪声敏感性的问题。