K-የቅርብ ጎረቤቶች
K-Nearest Neighbors (KNN) K የቅርብ ምሳሌዎችን በመመልከት እና አብላጫ ድምጽ በመውሰድ አዲስ የውሂብ ነጥብ ይመድባል።
አጠቃላይ እይታ
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
ጥልቅ ዳይቭ
KNN 'ሰነፍ ተማሪ' ነው፡ ምንም አይነት ትክክለኛ ስልጠና አይሰጥም እና ይልቁንስ ሙሉውን የውሂብ ስብስብ ብቻ ያከማቻል። አዲስ ነጥብ ለመመደብ, ርቀቱን ይለካል, ብዙውን ጊዜ Euclidean, ለእያንዳንዱ የተከማቸ ምሳሌ, K የቅርብ ጎረቤቶችን ያገኛል እና በመካከላቸው በጣም የተለመደውን ክፍል ይመድባል. ለማገገም፣ በምትኩ የጐረቤቶችን እሴቶች አማካኝ ያደርጋል። የK ጉዳዮች ምርጫ፡ ትንሽ ኬ ለጩኸት ስሜታዊ ነው እና ከመጠን በላይ ሊገጣጠም ይችላል፣ ትልቅ ኬ ግን ውሳኔዎችን ያስተካክላል ነገር ግን እውነተኛ ድንበሮችን ሊያደበዝዝ ይችላል። ሁሉም ባህሪያት ለርቀት አስተዋፅዖ ስላደረጉ፣ KNN የሚፈልገው ትልቅ ክልል ተለዋዋጮች እንዳይቆጣጠሩ የባህሪ ልኬትን ይፈልጋል። እያንዳንዱ መጠይቅ ከጠቅላላው የውሂብ ስብስብ ጋር ስለሚነፃፀር ዋናው ድክመት የትንበያ ፍጥነት ነው።
ቴክኒካዊ ግንዛቤ
KNN ፓራሜትሪክ ያልሆነ እና በምሳሌነት ላይ የተመሰረተ ነው፡ ስለ መረጃው ቅርፅ ምንም ግምት አይሰጥም እና ክብደትን ከመማር ይልቅ ምሳሌዎችን ያከማቻል። የርቀት መለኪያዎች፣ Euclidean፣ ማንሃተን፣ ወይም ኮሳይን 'መቅረብ'ን ይገልፃሉ፣ እና የሚፈጥረው የውሳኔ ወሰን በጣም መደበኛ ያልሆነ ሊሆን ይችላል። እያንዳንዱን መጠይቅ ከሁሉም ነጥቦች ጋር ስለሚያወዳድር፣ ቀላል ፍለጋ ቀርፋፋ ነው፣ ስለዚህ ቤተ-መጻህፍት በዝቅተኛ ልኬቶች ፍለጋን ለማፋጠን ኬዲ-ዛፎችን፣ የኳስ ዛፎችን ወይም ግምታዊ የጎረቤት ኢንዴክሶችን ይጠቀማሉ።
ስልታዊ ተጽእኖ
ግልጽ ውሳኔዎች
ግልጽ ቴክኒካዊ የይገባኛል ጥያቄዎችን ከገበያ ቋንቋ እንዲለዩ ያግዝዎታል።
ወጪ እና በጀት
ገንዘብን ወይም ጊዜን ከማጥፋትዎ በፊት የተሻሉ የትግበራ ጥያቄዎችን መጠየቅ ይችላሉ።
ቡድን እና የስራ ፍሰት
የጋራ ግንዛቤ ያላቸው ቡድኖች የተሻለ ምርት፣ ፖሊሲ እና የመማር ውሳኔዎችን ያደርጋሉ።
የ K-የቅርብ ጎረቤቶች የወደፊት ዕጣ
የKNN ዋና ሃሳብ፣ በጣም ተመሳሳይ የሆኑ ምሳሌዎችን አግኝ፣ ዘመናዊ የቬክተር ፍለጋን እና የመልሶ ማግኛ-የተጠናከረ ትውልድን ያበረታታል፣ ስርአቶች ትልቅ የቋንቋ ሞዴሎችን ወደ መሰረቱ ቅርብ የሆኑ ቬክተሮችን ያመጣል። እንደ FAISS እና HNSW ያሉ ግምታዊ የጎረቤት ቤተ-መጻሕፍት በቢሊዮን የሚቆጠር ተመሳሳይነት ፍለጋ ተግባራዊ ያደርጋሉ። በትላልቅ የቧንቧ መስመሮች ውስጥ የመጨረሻው ክላሲፋየር እምብዛም ባይሆንም፣ የቅርቡ ጎረቤት መርህ የትርጉም ፍለጋ እና የውሳኔ ሃሳብ የጀርባ አጥንት ከመቼውም ጊዜ በበለጠ ጠቃሚ ነው።
የእውነተኛ-ዓለም አተገባበር
የምክር ሥርዓቶች፡ ተጠቃሚዎች ቀደም ሲል ከወደዱት ጋር ተመሳሳይ የሆኑ ፊልሞችን ወይም ምርቶችን መጠቆም።
በእጅ የተጻፈ አሃዝ ማወቂያ፡ አንድን አሃዝ በጣም ተመሳሳይ ከተሰየሙ ምስሎች ጋር በማወዳደር መመደብ።
የሕክምና ምርመራ ድጋፍ: በጣም ተመሳሳይ የፈተና ውጤቶች ባላቸው ታካሚዎች ላይ የተመሰረተ ሁኔታን መተንበይ.
የትርጓሜ ፍለጋ፡- በቬክተር ዳታቤዝ ውስጥ ያለውን ጥያቄ ለመመለስ የቅርቡን የጽሑፍ መክተት ሰርስሮ ማውጣት።
አደጋዎች እና የጥበቃ መንገዶች
የተለያዩ ቡድኖች ተመሳሳይ ቃል በተለያየ መንገድ ሊጠቀሙ ይችላሉ፣ ስለዚህ ወሰንን ቀደም ብለው ይግለጹ።
የገሃዱ ዓለም አፈጻጸም ያልተስተካከለ ሆኖ ሳለ ማመሳከሪያዎች ጠንካራ ሊመስሉ ይችላሉ።
የውሂብ ጥራት እና የግምገማ እቅዶችን ችላ ማለት ብዙውን ጊዜ ደካማ ውጤቶችን ይፈጥራል.
የትግበራ ፍኖተ ካርታ
የሚፈልጉትን ውጤት በግልፅ ቋንቋ ትርጉም ይጀምሩ።
ከመሞከርዎ በፊት አንድ የስኬት መለኪያ እና አንድ የውድቀት ሁኔታ ይምረጡ።
አንድ ትንሽ አብራሪ በተወካይ ውሂብ ያሂዱ እንጂ የተጣራ ማሳያ ስብስብ አይደለም።
የ K-Neast Neighbors የሚረዳበት እና ቀላል ዘዴዎች የተሻሉበት ሰነድ.
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the K-Nearest Neighbors quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
የናይቭ ቤይስ ክላሲፋየሮች
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is K-Nearest Neighbors?
K-Nearest Neighbors (KNN) K የቅርብ ምሳሌዎችን በመመልከት እና አብላጫ ድምጽ በመውሰድ አዲስ የውሂብ ነጥብ ይመድባል። በማሽን መማሪያ ውስጥ በጣም ቀላሉ እና በጣም አስተዋይ ስልተ ቀመሮች እንደ አንዱ አስፈላጊ ነው ፣ ምንም ዓይነት ስልጠና አያስፈልገውም።
KNN እንዴት አዲስ የውሂብ ነጥብ ይመድባል?
KNN በአቅራቢያው ያሉትን ኬ የተከማቹ ምሳሌዎችን ያገኛል እና በመካከላቸው በጣም የተለመደውን ክፍል ይመድባል (ለማገገም እሴቶቻቸውን አማካይ ያደርገዋል)።
KNN ለምን 'ሰነፍ ተማሪ' ተባለ?
KNN ሁሉንም ሥራ ወደ ትንበያ ጊዜ ለሌላ ጊዜ ያስተላልፋል; በስልጠና ወቅት ሞዴል ከመገንባት ይልቅ የመረጃ ቋቱን በቀላሉ ያስታውሳል.
ለምንድነው የባህሪ ልኬት ለ KNN አስፈላጊ የሆነው?
KNN በርቀት ላይ ስለሚደገፍ፣ ያልተመጣጠነ ትልቅ ክልል ባህሪ ሌሎችን ሊያሸንፍ ይችላል፣ ስለዚህ ባህሪያቶቹ ብዙውን ጊዜ መደበኛ ናቸው።
እንደ K=1 ያለ በጣም ትንሽ K ከመረጡ ምን ይከሰታል?
አንድ ትንሽ ኬ አንድ ነጠላ ጫጫታ ወይም የተሳሳተ ስያሜ ያለው ጎረቤት ውጤቱን እንዲወስን ያስችለዋል፣ ይህም ወደ ተሰነጠቀ፣ ከመጠን በላይ ተስማሚ የሆነ ወሰን ይመራል።
የ KNN ዋና ተግባራዊ ጉዳቱ ምንድን ነው?
እያንዳንዱ መጠይቅ ለእያንዳንዱ ምሳሌ ያለውን ርቀት መለካት ስላለበት፣ ትንበያ በትላልቅ የውሂብ ስብስቦች ላይ ቀርፋፋ ሊሆን ይችላል፣ ይህም ዛፍን ወይም ግምታዊ የፍለጋ ፍጥነቶችን ያስከትላል።