बुनियादी गाइड
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।
इस गाइड को सुनेंएआई-नैरेटेड · ~2 min
इस पृष्ठ पर2 मिनट लाल
सिंहावलोकन
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
गहरा गोता
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.
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।
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।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- 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।
का ध्यान रखें
- 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।
अगले चरण
- 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
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
Take the K-Nearest Neighbors quiz
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
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)।
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.
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।
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.
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं