DalšíDalší průvodce
Naivní Bayesovy klasifikátory
Základy
PRŮVODCE Základy
K-Nearest Neighbors (KNN) klasifikuje nový datový bod tím, že se podívá na K nejbližších příkladů a provede většinové hlasování.
Poslechněte si tento návodAI-vyprávěný · ~2 min
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
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.
Systémy doporučení: navrhování filmů nebo produktů podobných těm, které se uživateli již líbily.
Rozpoznávání ručně psaných číslic: klasifikace číslic jejím porovnáním s nejpodobnějšími označenými obrázky.
Podpora lékařské diagnózy: předpovídání stavu na základě pacientů s nejpodobnějšími výsledky testů.
Sémantické vyhledávání: získávání nejbližších textových vložení pro zodpovězení dotazu ve vektorové databázi.
Základní myšlenka KNN, najít nejpodobnější příklady, pohání moderní vektorové vyhledávání a generování rozšířené o vyhledávání, kde systémy získávají nejbližší vkládací vektory pro uzemnění velkých jazykových modelů. Přibližné knihovny nejbližších sousedů, jako jsou FAISS a HNSW, umožňují praktické vyhledávání podobnosti v miliardovém měřítku. Princip nejbližšího souseda je sice jen zřídka konečným klasifikátorem ve velkých kanálech, ale jako páteř sémantického vyhledávání a doporučení je důležitější než kdy jindy.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
K-Nearest Neighbors (KNN) klasifikuje nový datový bod tím, že se podívá na K nejbližších příkladů a provede většinové hlasování. Jde o jeden z nejjednodušších a nejintuitivnějších algoritmů ve strojovém učení, který nevyžaduje téměř žádné školení.
KNN najde K nejbližších uložených příkladů a přiřadí jim nejběžnější třídu (pro regresi zprůměruje jejich hodnoty).
KNN is instance-based rather than learning a compact parametric weight set; implementations can still preprocess or build search indexes at fit time.
Protože KNN spoléhá na vzdálenost, neškálovaná funkce velkého rozsahu může přemoci ostatní, takže funkce jsou obvykle normalizovány.
Drobné K umožňuje jedinému hlučnému nebo špatně označenému sousedovi rozhodnout o výsledku, což vede k zubaté, přerostlé hranici.
A brute-force scan compares against stored points, while trees or approximate-neighbor indexes can accelerate some workloads depending on data and metric.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Naivní Bayesovy klasifikátory
Základy