ΕπόμενοΕπόμενος οδηγός
Naive Bayes Classifiers
Βασικές αρχές
ΟΔΗΓΟΣ Βασικών Αρχών
Κ-Κοντινότεροι Γείτονες
Το K-Nearest Neighbors (KNN) ταξινομεί ένα νέο σημείο δεδομένων εξετάζοντας τα K πλησιέστερα παραδείγματα και λαμβάνοντας πλειοψηφία.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
Βαθιά κατάδυση
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.
Υλοποίηση σε πραγματικό κόσμο
Συστήματα συστάσεων: προτείνοντας ταινίες ή προϊόντα παρόμοια με αυτά που άρεσαν ήδη ένας χρήστης.
Χειρόγραφη αναγνώριση ψηφίων: ταξινόμηση ενός ψηφίου συγκρίνοντάς το με τις πιο παρόμοιες εικόνες με ετικέτα.
Υποστήριξη ιατρικής διάγνωσης: πρόβλεψη μιας κατάστασης με βάση ασθενείς με τα πιο παρόμοια αποτελέσματα εξετάσεων.
Σημασιολογική αναζήτηση: ανάκτηση των πλησιέστερων ενσωματώσεων κειμένου για απάντηση σε ένα ερώτημα σε μια διανυσματική βάση δεδομένων.
The Future of K-Nearest Neighbors
Η βασική ιδέα του KNN, η εύρεση των πιο όμοιων παραδειγμάτων, εξουσιοδοτεί τη σύγχρονη διανυσματική αναζήτηση και τη δημιουργία επαυξημένης ανάκτησης, όπου τα συστήματα φέρνουν τα πλησιέστερα ενσωματωμένα διανύσματα για να γειώσουν μεγάλα γλωσσικά μοντέλα. Οι κατά προσέγγιση βιβλιοθήκες του πλησιέστερου γείτονα, όπως η FAISS και η HNSW, κάνουν πρακτική αναζήτηση ομοιότητας δισεκατομμυρίων. Αν και σπάνια είναι ο τελικός ταξινομητής σε μεγάλους αγωγούς, η αρχή του πλησιέστερου γείτονα είναι πιο σχετική από ποτέ ως η ραχοκοκαλιά της σημασιολογικής αναζήτησης και σύστασης.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Σαφέστερες αποφάσεις. Σας βοηθά να διαχωρίσετε σαφείς τεχνικούς ισχυρισμούς από τη γλώσσα μάρκετινγκ.
- Κόστος και προϋπολογισμός. Μπορείτε να κάνετε καλύτερες ερωτήσεις εφαρμογής προτού ξοδέψετε χρήματα ή χρόνο.
- Ομάδα και ροή εργασίας. Οι ομάδες με κοινή κατανόηση λαμβάνουν καλύτερες αποφάσεις για προϊόντα, πολιτικές και μάθηση.
Προσέξτε
- Διαφορετικές ομάδες μπορεί να χρησιμοποιούν τον ίδιο όρο με διαφορετικό τρόπο, επομένως ορίστε το πεδίο εφαρμογής νωρίς.
- Τα σημεία αναφοράς μπορεί να φαίνονται ισχυρά ενώ η απόδοση στον πραγματικό κόσμο είναι άνιση.
- Η αγνόηση της ποιότητας των δεδομένων και των σχεδίων αξιολόγησης δημιουργεί συχνά εύθραυστα αποτελέσματα.
Επόμενα βήματα
- Ξεκινήστε με έναν ορισμό σε απλή γλώσσα του αποτελέσματος που χρειάζεστε.
- Επιλέξτε μία μέτρηση επιτυχίας και μία συνθήκη αποτυχίας πριν από τη δοκιμή.
- Εκτελέστε ένα μικρό πιλότο με αντιπροσωπευτικά δεδομένα, όχι ένα εκλεπτυσμένο σετ επίδειξης.
- Τεκμηριώστε πού βοηθά το K-Nearest Neighbors και πού είναι καλύτερες οι απλούστερες μέθοδοι.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the K-Nearest Neighbors quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
What is K-Nearest Neighbors?
Το K-Nearest Neighbors (KNN) ταξινομεί ένα νέο σημείο δεδομένων εξετάζοντας τα K πλησιέστερα παραδείγματα και λαμβάνοντας πλειοψηφία. Σημασία έχει ως ένας από τους απλούστερους, πιο διαισθητικούς αλγόριθμους στη μηχανική εκμάθηση, που δεν απαιτεί σχεδόν καμία εκπαίδευση.
Πώς ταξινομεί το KNN ένα νέο σημείο δεδομένων;
Το KNN βρίσκει τα K πλησιέστερα αποθηκευμένα παραδείγματα και εκχωρεί την πιο κοινή κατηγορία μεταξύ τους (για παλινδρόμηση, υπολογίζει τον μέσο όρο των τιμών τους).
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.
Γιατί είναι σημαντική η κλίμακα χαρακτηριστικών για το KNN;
Επειδή το KNN βασίζεται στην απόσταση, ένα μη κλιμακούμενο χαρακτηριστικό μεγάλου εύρους μπορεί να κατακλύσει άλλα, επομένως τα χαρακτηριστικά συνήθως κανονικοποιούνται.
Τι θα συμβεί αν επιλέξετε ένα πολύ μικρό Κ, όπως το K=1;
Ένα μικροσκοπικό K επιτρέπει σε έναν μόνο θορυβώδες ή εσφαλμένο γείτονα να αποφασίσει το αποτέλεσμα, οδηγώντας σε ένα οδοντωτό, υπερβολικό όριο.
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.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα