K-निकटतम पड़ोसी
K-निकटतम पड़ोसी (KNN) K निकटतम उदाहरणों को देखकर और बहुमत का वोट लेकर एक नए डेटा बिंदु को वर्गीकृत करता है।
सिंहावलोकन
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
गहरा गोता
केएनएन एक 'आलसी शिक्षार्थी' है: यह कोई वास्तविक प्रशिक्षण नहीं देता है और इसके बजाय केवल संपूर्ण डेटासेट संग्रहीत करता है। एक नए बिंदु को वर्गीकृत करने के लिए, यह दूरी को मापता है, आमतौर पर यूक्लिडियन, प्रत्येक संग्रहीत उदाहरण के लिए, K निकटतम पड़ोसियों को ढूंढता है, और उनके बीच सबसे आम वर्ग निर्दिष्ट करता है। प्रतिगमन के लिए, यह पड़ोसियों के मूल्यों का औसत बनाता है। K का चुनाव मायने रखता है: एक छोटा K शोर के प्रति संवेदनशील होता है और ओवरफिट हो सकता है, जबकि एक बड़ा K निर्णयों को सुचारू बनाता है लेकिन वास्तविक सीमाओं को धुंधला कर सकता है। क्योंकि सभी सुविधाएं दूरी में योगदान करती हैं, केएनएन फीचर स्केलिंग की मांग करता है ताकि बड़ी दूरी के चर हावी न हों। इसकी मुख्य कमजोरी भविष्यवाणी की गति है, क्योंकि प्रत्येक क्वेरी की तुलना पूरे डेटासेट से की जाती है।
तकनीकी अंतर्दृष्टि
केएनएन गैर-पैरामीट्रिक और उदाहरण-आधारित है: यह डेटा के आकार के बारे में कोई धारणा नहीं बनाता है और सीखने के वजन के बजाय उदाहरण संग्रहीत करता है। दूरी मेट्रिक्स, यूक्लिडियन, मैनहट्टन, या कोसाइन, 'निकटता' को परिभाषित करते हैं, और इससे बनने वाली निर्णय सीमा अत्यधिक अनियमित हो सकती है। चूँकि यह प्रत्येक क्वेरी की तुलना सभी बिंदुओं से करता है, इसलिए अनुभवहीन लुकअप धीमा है, इसलिए लाइब्रेरीज़ निचले आयामों में खोज को गति देने के लिए केडी-ट्री, बॉल-ट्री, या अनुमानित निकटतम-पड़ोसी इंडेक्स का उपयोग करती हैं।
सामरिक प्रभाव
स्पष्ट निर्णय
यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है।
लागत और बजट
आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं।
टीम और वर्कफ़्लो
साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं।
के-निकटतम पड़ोसियों का भविष्य
केएनएन का मूल विचार, सबसे समान उदाहरण ढूंढना, आधुनिक वेक्टर खोज और पुनर्प्राप्ति-संवर्धित पीढ़ी को शक्ति प्रदान करता है, जहां सिस्टम बड़े भाषा मॉडल को ग्राउंड करने के लिए निकटतम एम्बेडिंग वैक्टर लाते हैं। FAISS और HNSW जैसी अनुमानित निकटतम-पड़ोसी लाइब्रेरी अरब-पैमाने की समानता खोज को व्यावहारिक बनाती हैं। जबकि बड़ी पाइपलाइनों में शायद ही कभी अंतिम वर्गीकरण होता है, निकटतम-पड़ोसी सिद्धांत अर्थ संबंधी खोज और अनुशंसा की रीढ़ के रूप में पहले से कहीं अधिक प्रासंगिक है।
वास्तविक विश्व कार्यान्वयन
अनुशंसा प्रणाली: उपयोगकर्ता द्वारा पहले से पसंद की गई फिल्मों या उत्पादों के समान सुझाव देना।
हस्तलिखित अंक पहचान: किसी अंक को सबसे समान लेबल वाली छवियों से तुलना करके वर्गीकृत करना।
चिकित्सा निदान समर्थन: सबसे समान परीक्षण परिणामों वाले रोगियों के आधार पर स्थिति की भविष्यवाणी करना।
सिमेंटिक खोज: वेक्टर डेटाबेस में किसी प्रश्न का उत्तर देने के लिए निकटतम टेक्स्ट एम्बेडिंग को पुनः प्राप्त करना।
जोखिम और रेलिंग
अलग-अलग टीमें एक ही शब्द का अलग-अलग इस्तेमाल कर सकती हैं, इसलिए दायरे को पहले ही परिभाषित कर लें।
बेंचमार्क मजबूत दिख सकते हैं जबकि वास्तविक दुनिया का प्रदर्शन असमान है।
डेटा गुणवत्ता और मूल्यांकन योजनाओं की अनदेखी अक्सर नाजुक परिणाम पैदा करती है।
कार्यान्वयन रोडमैप
आपको जिस परिणाम की आवश्यकता है उसकी सरल भाषा में परिभाषा से शुरुआत करें।
परीक्षण से पहले एक सफलता मीट्रिक और एक विफलता स्थिति चुनें।
प्रतिनिधि डेटा के साथ एक छोटा पायलट चलाएँ, न कि एक परिष्कृत डेमो सेट।
दस्तावेज़ जहाँ K-निकटतम पड़ोसी मदद करते हैं और जहाँ सरल तरीके बेहतर हैं।
अन्वेषण करते रहें
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
अगली गाइड
नाइव बेयस क्लासिफायर
अक्सर पूछे जाने वाले प्रश्नों
What is K-Nearest Neighbors?
K-निकटतम पड़ोसी (KNN) K निकटतम उदाहरणों को देखकर और बहुमत का वोट लेकर एक नए डेटा बिंदु को वर्गीकृत करता है। यह मशीन लर्निंग में सबसे सरल, सबसे सहज एल्गोरिदम में से एक के रूप में मायने रखता है, जिसके लिए लगभग किसी प्रशिक्षण की आवश्यकता नहीं होती है।
KNN एक नए डेटा बिंदु को कैसे वर्गीकृत करता है?
KNN K को निकटतम संग्रहीत उदाहरण ढूंढता है और उनमें से सबसे सामान्य वर्ग निर्दिष्ट करता है (प्रतिगमन के लिए, यह उनके मूल्यों का औसत करता है)।
KNN को 'आलसी शिक्षार्थी' क्यों कहा जाता है?
केएनएन ने समय की भविष्यवाणी करने के लिए सभी कार्य स्थगित कर दिए; यह प्रशिक्षण के दौरान मॉडल बनाने के बजाय केवल डेटासेट को याद रखता है।
KNN के लिए फ़ीचर स्केलिंग क्यों महत्वपूर्ण है?
क्योंकि केएनएन दूरी पर निर्भर करता है, एक अनस्केल्ड बड़ी-श्रेणी की सुविधा दूसरों को अभिभूत कर सकती है, इसलिए सुविधाओं को आमतौर पर सामान्यीकृत किया जाता है।
यदि आप बहुत छोटा K चुनते हैं, जैसे K=1 तो क्या होगा?
एक छोटा K एक अकेले शोर मचाने वाले या गलत लेबल वाले पड़ोसी को परिणाम तय करने देता है, जिससे एक टेढ़ी-मेढ़ी, ओवरफिट सीमा बन जाती है।
KNN की मुख्य व्यावहारिक खामी क्या है?
चूँकि प्रत्येक क्वेरी को प्रत्येक उदाहरण के लिए दूरी मापनी होगी, बड़े डेटासेट पर भविष्यवाणी धीमी हो सकती है, जिससे ट्री या अनुमानित-खोज गति तेज हो सकती है।