LegközelebbKövetkező útmutató
Naiv Bayes osztályozók
Alapok
Alapok ÚTMUTATÓ
A K-Legközelebbi szomszédok (KNN) egy új adatpontot úgy osztályoz, hogy megvizsgálja a K legközelebbi példákat, és többségi szavazatot vesz.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez az egyik legegyszerűbb, legintuitívabb algoritmus a gépi tanulásban, amely szinte semmilyen képzést nem igényel.
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.
Ajánlórendszerek: olyan filmek vagy termékek javaslata, amelyek hasonlóak ahhoz, amit a felhasználó már kedvelt.
Kézzel írt számjegyfelismerés: egy számjegy osztályozása a leginkább hasonló feliratú képekkel való összehasonlítással.
Orvosi diagnózis támogatása: állapot előrejelzése a leginkább hasonló vizsgálati eredményekkel rendelkező betegek alapján.
Szemantikus keresés: a legközelebbi szövegbeágyazások lekérése a vektoradatbázisban lévő lekérdezések megválaszolásához.
A KNN alapötlete, a leghasonlóbb példák megtalálása, a modern vektorkeresést és a visszakereséssel kiegészített generálást hajtja végre, ahol a rendszerek lekérik a legközelebbi beágyazó vektorokat, hogy megalapozzák a nagy nyelvi modelleket. A hozzávetőlegesen szomszédos könyvtárak, például a FAISS és a HNSW praktikussá teszik a milliárdos léptékű hasonlóságkeresést. Míg ritkán a végső osztályozó a nagy csővezetékekben, a legközelebbi szomszéd elv minden eddiginél relevánsabb, mint a szemantikai keresés és ajánlás gerince.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A K-Legközelebbi szomszédok (KNN) egy új adatpontot úgy osztályoz, hogy megvizsgálja a K legközelebbi példákat, és többségi szavazatot vesz. Ez az egyik legegyszerűbb, legintuitívabb algoritmus a gépi tanulásban, amely szinte semmilyen képzést nem igényel.
A KNN megkeresi a K legközelebbi tárolt példákat, és kijelöli közülük a leggyakoribb osztályt (regresszióhoz átlagolja az értékeket).
KNN is instance-based rather than learning a compact parametric weight set; implementations can still preprocess or build search indexes at fit time.
Mivel a KNN a távolságra támaszkodik, a skálázatlan nagy hatótávolságú jellemzők túlterhelhetik a többieket, ezért a jellemzők általában normalizálódnak.
Egy apró K hagyja, hogy egyetlen zajos vagy rosszul felcímkézett szomszéd döntsön az eredményről, ami egy szaggatott, túlzottan illeszkedő határhoz vezet.
A brute-force scan compares against stored points, while trees or approximate-neighbor indexes can accelerate some workloads depending on data and metric.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Naiv Bayes osztályozók
Alapok