মৌলিক নির্দেশিকা
K- নিকটতম প্রতিবেশী
K- নিকটতম প্রতিবেশী (KNN) K-এর নিকটতম উদাহরণগুলি দেখে এবং সংখ্যাগরিষ্ঠ ভোট গ্রহণ করে একটি নতুন ডেটা পয়েন্টকে শ্রেণিবদ্ধ করে৷
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min
এই পৃষ্ঠায়2 মিনিট পঠিত
ওভারভিউ
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
গভীর ডুব
A KNN classifier stores labeled training examples and, for a query, finds K neighbors under a selected distance metric before combining their labels. A KNN regressor commonly aggregates neighboring numeric targets. It is instance-based rather than a compact parametric model, but fitting may still include feature scaling, index construction, or other preprocessing. Because distance uses every feature, fit scaling on training data so large-range features do not dominate. Brute-force search compares a query with many or all stored examples; KD trees, Ball trees, and approximate-neighbor indexes can accelerate suitable data and metrics. In high dimensions, distance may become less informative and tree indexes may offer little speedup. A small K can be sensitive to noise, while a larger K smooths local decisions. Validate the representation, metric, K, and search method on the intended workload.
বাস্তব-বিশ্ব বাস্তবায়ন
সুপারিশ ব্যবস্থা: ব্যবহারকারীর পছন্দের মতো সিনেমা বা পণ্যের পরামর্শ দেওয়া।
হাতে লেখা অঙ্কের স্বীকৃতি: সবচেয়ে অনুরূপ লেবেলযুক্ত চিত্রগুলির সাথে তুলনা করে একটি অঙ্ককে শ্রেণিবদ্ধ করা।
চিকিৎসা নির্ণয় সমর্থন: সবচেয়ে অনুরূপ পরীক্ষার ফলাফল সহ রোগীদের উপর ভিত্তি করে একটি অবস্থার পূর্বাভাস।
শব্দার্থিক অনুসন্ধান: একটি ভেক্টর ডাটাবেসে একটি প্রশ্নের উত্তর দিতে নিকটতম পাঠ্য এম্বেডিং পুনরুদ্ধার করা।
K- নিকটতম প্রতিবেশীদের ভবিষ্যত
KNN-এর মূল ধারণা, সবচেয়ে অনুরূপ উদাহরণগুলি খুঁজুন, আধুনিক ভেক্টর অনুসন্ধান এবং পুনরুদ্ধার-বর্ধিত প্রজন্মকে ক্ষমতা দেয়, যেখানে সিস্টেমগুলি বৃহৎ ভাষার মডেলগুলিকে গ্রাউন্ড করার জন্য নিকটতম এম্বেডিং ভেক্টর আনয়ন করে। FAISS এবং HNSW-এর মতো আনুমানিক নিকটতম-প্রতিবেশী লাইব্রেরিগুলি বিলিয়ন-স্কেলের মিল অনুসন্ধানকে ব্যবহারিক করে তোলে। যদিও কদাচিৎ বড় পাইপলাইনে চূড়ান্ত শ্রেণিবিন্যাসকারী, নিকটতম-প্রতিবেশী নীতিটি শব্দার্থিক অনুসন্ধান এবং সুপারিশের মেরুদণ্ড হিসাবে আগের চেয়ে বেশি প্রাসঙ্গিক।
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- সুস্পষ্ট সিদ্ধান্ত. এটি আপনাকে বিপণনের ভাষা থেকে স্পষ্ট প্রযুক্তিগত দাবিগুলি আলাদা করতে সহায়তা করে।
- খরচ ও বাজেট. অর্থ বা সময় ব্যয় করার আগে আপনি আরও ভাল বাস্তবায়ন প্রশ্ন জিজ্ঞাসা করতে পারেন।
- টিম এবং ওয়ার্কফ্লো. ভাগ করা বোঝাপড়া সহ দলগুলি আরও ভাল পণ্য, নীতি এবং শেখার সিদ্ধান্ত নেয়।
জন্য সতর্ক
- বিভিন্ন দল একই শব্দটি ভিন্নভাবে ব্যবহার করতে পারে, তাই সুযোগটি আগে থেকেই নির্ধারণ করুন।
- বেঞ্চমার্কগুলি শক্তিশালী দেখাতে পারে যখন বাস্তব-বিশ্বের কর্মক্ষমতা অসম হয়।
- ডেটা গুণমান এবং মূল্যায়ন পরিকল্পনা উপেক্ষা করা প্রায়ই ভঙ্গুর ফলাফল তৈরি করে।
পরবর্তী পদক্ষেপ
- আপনার প্রয়োজনীয় ফলাফলের একটি সরল-ভাষা সংজ্ঞা দিয়ে শুরু করুন।
- পরীক্ষার আগে একটি সাফল্যের মেট্রিক এবং একটি ব্যর্থতার শর্ত বাছুন।
- একটি পালিশ ডেমো সেট নয়, প্রতিনিধি ডেটা সহ একটি ছোট পাইলট চালান৷
- নথি যেখানে K- নিকটতম প্রতিবেশী সাহায্য করে এবং যেখানে সহজ পদ্ধতিগুলি ভাল।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the K-Nearest Neighbors quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is K-Nearest Neighbors?
K- নিকটতম প্রতিবেশী (KNN) K-এর নিকটতম উদাহরণগুলি দেখে এবং সংখ্যাগরিষ্ঠ ভোট গ্রহণ করে একটি নতুন ডেটা পয়েন্টকে শ্রেণিবদ্ধ করে৷ এটি মেশিন লার্নিংয়ের সবচেয়ে সহজ, সবচেয়ে স্বজ্ঞাত অ্যালগরিদমগুলির মধ্যে একটি হিসাবে গুরুত্বপূর্ণ, প্রায় কোনও প্রশিক্ষণের প্রয়োজন নেই৷
কিভাবে KNN একটি নতুন ডেটা পয়েন্ট শ্রেণীবদ্ধ করে?
KNN নিকটতম সঞ্চিত উদাহরণগুলি খুঁজে পায় এবং তাদের মধ্যে সবচেয়ে সাধারণ শ্রেণী নির্ধারণ করে (রিগ্রেশনের জন্য, এটি তাদের মান গড় করে)।
Why is KNN often called a “lazy learner”?
KNN is instance-based rather than learning a compact parametric weight set; implementations can still preprocess or build search indexes at fit time.
কেন KNN এর জন্য বৈশিষ্ট্য স্কেলিং গুরুত্বপূর্ণ?
যেহেতু KNN দূরত্বের উপর নির্ভর করে, একটি আনস্কেলড বৃহৎ-পরিসর বৈশিষ্ট্য অন্যদের আবিষ্ট করতে পারে, তাই বৈশিষ্ট্যগুলি সাধারণত স্বাভাবিক করা হয়।
আপনি যদি K=1 এর মত একটি খুব ছোট K বেছে নেন তাহলে কি হবে?
একটি ক্ষুদ্র K একটি একক শোরগোল বা ভুল লেবেলযুক্ত প্রতিবেশীকে ফলাফল নির্ধারণ করতে দেয়, যা একটি ঝাঁঝালো, ওভারফিট সীমানার দিকে পরিচালিত করে।
In a brute-force KNN implementation, why can prediction be slow on a large dataset?
A brute-force scan compares against stored points, while trees or approximate-neighbor indexes can accelerate some workloads depending on data and metric.
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড