K-أقرب الجيران
يقوم K-Nearest Neighbours (KNN) بتصنيف نقطة بيانات جديدة من خلال النظر إلى أقرب أمثلة K والحصول على تصويت الأغلبية.
نظرة عامة
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
الغوص العميق
KNN عبارة عن "متعلم كسول": فهو لا يقوم بأي تدريب حقيقي وبدلاً من ذلك يقوم فقط بتخزين مجموعة البيانات بأكملها. لتصنيف نقطة جديدة، فإنه يقيس المسافة، عادة الإقليدية، إلى كل مثال مخزن، ويجد أقرب جيران K، ويعين الفئة الأكثر شيوعًا بينهم. بالنسبة للانحدار، فإنه يقوم بمتوسط قيم الجيران بدلاً من ذلك. إن اختيار K مهم: فحرف K الصغير حساس للضوضاء ويمكن أن يفرط في التجهيز، في حين أن حرف K الكبير يسهل اتخاذ القرارات ولكنه قد يطمس الحدود الحقيقية. نظرًا لأن جميع الميزات تساهم في المسافة، فإن KNN تتطلب توسيع الميزات بحيث لا تهيمن المتغيرات ذات النطاق الكبير. نقطة ضعفها الرئيسية هي سرعة التنبؤ، حيث يتم مقارنة كل استعلام بمجموعة البيانات بأكملها.
البصيرة الفنية
KNN غير معلمية وتعتمد على المثيل: فهي لا تضع أي افتراضات حول شكل البيانات وتخزن الأمثلة بدلاً من أوزان التعلم. تحدد مقاييس المسافة، الإقليدية أو مانهاتن أو جيب التمام، "القرب"، ويمكن أن تكون حدود القرار التي تشكلها غير منتظمة إلى حد كبير. نظرًا لأنه يقارن كل استعلام بجميع النقاط، يكون البحث الساذج بطيئًا، لذلك تستخدم المكتبات أشجار KD أو أشجار الكرة أو فهارس الجوار الأقرب التقريبية لتسريع البحث في الأبعاد الأقل.
التأثير الاستراتيجي
قرارات أوضح
يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
التكلفة والميزانية
يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
الفريق وسير العمل
تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
مستقبل أقرب جيران K
الفكرة الأساسية لـ KNN، العثور على الأمثلة الأكثر تشابهًا، تعمل على تشغيل البحث الحديث عن المتجهات وتوليد الاسترجاع المعزز، حيث تقوم الأنظمة بجلب أقرب ناقلات التضمين إلى نماذج اللغة الكبيرة الأرضية. تجعل المكتبات المجاورة التقريبية مثل FAISS وHNSW عملية البحث عن التشابه على نطاق ملياري عملية. على الرغم من أنه نادرًا ما يكون المصنف النهائي في خطوط الأنابيب الكبيرة، إلا أن مبدأ الجار الأقرب أصبح أكثر أهمية من أي وقت مضى باعتباره العمود الفقري للبحث الدلالي والتوصية.
التنفيذ في العالم الحقيقي
أنظمة التوصية: اقتراح أفلام أو منتجات مشابهة لتلك التي أعجب بها المستخدم بالفعل.
التعرف على الأرقام المكتوبة بخط اليد: تصنيف رقم من خلال مقارنته بالصور ذات العلامات الأكثر تشابهاً.
دعم التشخيص الطبي: التنبؤ بالحالة بناءً على نتائج الاختبارات الأكثر تشابهًا للمرضى.
البحث الدلالي: استرجاع أقرب تضمينات نصية للإجابة على استعلام في قاعدة بيانات متجهة.
المخاطر والدرابزين
قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
خارطة طريق التنفيذ
ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
قم بالتوثيق حيث يساعد K-Nearest Neighbors وأين تكون الطرق الأبسط أفضل.
استمر في الاستكشاف
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
الدليل التالي
مصنفات ساذجة بايز
الأسئلة المتداولة
What is K-Nearest Neighbors?
يقوم K-Nearest Neighbours (KNN) بتصنيف نقطة بيانات جديدة من خلال النظر إلى أقرب أمثلة K والحصول على تصويت الأغلبية. إنها مهمة باعتبارها واحدة من أبسط الخوارزميات وأكثرها سهولة في التعلم الآلي، ولا تتطلب أي تدريب تقريبًا.
كيف تقوم KNN بتصنيف نقطة بيانات جديدة؟
تبحث KNN عن أقرب الأمثلة المخزنة لـ K وتقوم بتعيين الفئة الأكثر شيوعًا فيما بينها (بالنسبة للانحدار، تقوم بحساب متوسط قيمها).
لماذا يطلق على KNN اسم "المتعلم الكسول"؟
KNN تؤجل جميع الأعمال إلى وقت التنبؤ؛ إنه ببساطة يحفظ مجموعة البيانات بدلاً من بناء نموذج أثناء التدريب.
ما سبب أهمية توسيع الميزات لـ KNN؟
نظرًا لأن KNN تعتمد على المسافة، فإن المعالم ذات النطاق الكبير غير المقاسة يمكن أن تطغى على الميزات الأخرى، لذلك يتم عادةً تسوية الميزات.
ماذا يحدث إذا اخترت K صغيرًا جدًا، مثل K=1؟
يتيح الحرف K الصغير لجار واحد مزعج أو يحمل تسمية خاطئة تحديد النتيجة، مما يؤدي إلى حدود خشنة ومفرطة التناسب.
ما هو العيب العملي الرئيسي لـ KNN؟
نظرًا لأن كل استعلام يجب أن يقيس المسافة إلى كل مثال، فقد يكون التنبؤ بطيئًا في مجموعات البيانات الكبيرة، مما يؤدي إلى تسريع عملية البحث الشجرية أو التقريبية.