SelanjutnyaPanduan berikutnya
Pengklasifikasi Naive Bayes
Dasar-dasar
PANDUAN Dasar
K-Tetangga Terdekat
K-Nearest Neighbours (KNN) mengklasifikasikan titik data baru dengan melihat contoh K terdekat dan mengambil suara terbanyak.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
Menyelam Lebih Dalam
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.
Implementasi Dunia Nyata
Sistem rekomendasi: menyarankan film atau produk serupa dengan yang disukai pengguna.
Pengenalan digit tulisan tangan: mengklasifikasikan digit dengan membandingkannya dengan gambar berlabel yang paling mirip.
Dukungan diagnosis medis: memprediksi suatu kondisi berdasarkan pasien dengan hasil tes yang paling mirip.
Pencarian semantik: mengambil penyematan teks terdekat untuk menjawab pertanyaan dalam database vektor.
Masa Depan K-Tetangga Terdekat
Ide inti KNN, temukan contoh yang paling mirip, mendukung penelusuran vektor modern dan pembuatan augmented pengambilan, di mana sistem mengambil vektor penyematan terdekat ke model bahasa besar. Perkiraan perpustakaan tetangga terdekat seperti FAISS dan HNSW membuat pencarian kesamaan berskala miliaran menjadi praktis. Meskipun jarang menjadi pengklasifikasi akhir dalam jaringan pipa besar, prinsip tetangga terdekat menjadi lebih relevan dari sebelumnya sebagai tulang punggung pencarian dan rekomendasi semantik.
Mempraktikkannya
Mengapa itu penting
- Keputusan yang lebih jelas. Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
- Biaya dan anggaran. Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
- Tim dan alur kerja. Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
Hati-hati
- Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
- Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
- Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.
Langkah selanjutnya
- Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
- Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
- Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
- Dokumentasikan di mana K-Nearest Neighbors membantu dan di mana metode yang lebih sederhana lebih baik.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the K-Nearest Neighbors quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
What is K-Nearest Neighbors?
K-Nearest Neighbours (KNN) mengklasifikasikan titik data baru dengan melihat contoh K terdekat dan mengambil suara terbanyak. Ini penting sebagai salah satu algoritme paling sederhana dan intuitif dalam pembelajaran mesin, dan hampir tidak memerlukan pelatihan.
Bagaimana cara KNN mengklasifikasikan titik data baru?
KNN menemukan K contoh terdekat yang disimpan dan menetapkan kelas yang paling umum di antara contoh-contoh tersebut (untuk regresi, KNN membuat rata-rata nilainya).
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.
Mengapa penskalaan fitur penting bagi KNN?
Karena KNN bergantung pada jarak, fitur dengan rentang besar yang tidak berskala dapat membuat fitur lain kewalahan, sehingga fitur biasanya dinormalisasi.
Apa yang terjadi jika Anda memilih K yang sangat kecil, seperti K=1?
Huruf K yang kecil memungkinkan tetangga yang berisik atau salah diberi label menentukan hasilnya, sehingga menghasilkan batas yang tidak rata dan terlalu pas.
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.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini