Uma biblioteca está classificando os seus frequentadores em ...

Aviso: não sou especialista na área mas vou compartilhar o meu entendimento sobre o assunto, aguardando futuras contribuições de pessoas com maior conhecimento na área. O algoritmo KNN, do inglês K-Nearest Neighbors — ou K vizinhos mais próximos em português — usa cálculos de distâncias para encontrar os K vizinhos mais próximos e classificar a instância com base na classificação desses vizinhos. Por exemplo, pode-se usar a classificação predominante entre os vizinhos, ou algum outro método.

A adição de mais atributos ao modelo leva à necessidade de realizar mais cálculos, implicando assim em um maior custo computacional. Além disso, a inclusão de atributos não relevantes e ruídos pode deslocar a instância para longe daqueles que seriam os seus vizinhos mais apropriados, resultando em uma classificação pobre. Um terceiro ponto é que, com o aumento do número de atributos, o volume do espaço de dados aumenta e os pontos de dados podem se tornar mais esparsos. Isso impacta negativamente na escolha apropriada dos vizinhos. Este fenômeno é conhecido como "maldição da dimensionalidade". Uma consequência disso pode ser o overfitting, situação na qual o modelo é excessivamente treinado nos dados de treinamento, aprendendo tanto os padrões quanto os ruídos ou outliers, o que resulta em um desempenho de previsão pobre quando o modelo é aplicado a novos conjuntos de dados.

Acredito que o problema da letra A pode ser a afirmação taxativa de que perde acurácia, apesar de eu entender que o aumento de atributos pode impactar negativamente. Cabe lembrar que o termo "acurácia" conota uma métrica comumente usada, calculada a partir da razão entre a soma dos verdadeiros positivos com os verdadeiros negativos (numerador) e o total (denominador).