VolgendeVolgende gids
Naïeve Bayes-classificatoren
Grondbeginselen
Basisprincipes GIDS
K-Nearest Neighbours (KNN) classificeert een nieuw datapunt door naar de K dichtstbijzijnde voorbeelden te kijken en een meerderheidsstemming te nemen.
Luister naar deze gidsAI-verteld · ~2 min
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
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.
Aanbevelingssystemen: films of producten voorstellen die lijken op de producten die een gebruiker al leuk vond.
Handgeschreven cijferherkenning: een cijfer classificeren door het te vergelijken met de meest vergelijkbare gelabelde afbeeldingen.
Medische diagnoseondersteuning: het voorspellen van een aandoening op basis van patiënten met de meest vergelijkbare testresultaten.
Semantisch zoeken: het ophalen van de dichtstbijzijnde tekstinsluitingen om een vraag in een vectordatabase te beantwoorden.
Het kernidee van KNN, het vinden van de meest vergelijkbare voorbeelden, maakt het mogelijk om moderne vectorzoek- en retrieval-augmented generaties te genereren, waarbij systemen de dichtstbijzijnde inbeddingsvectoren ophalen om grote taalmodellen te gronden. Geschatte bibliotheken die het dichtst bij de buren liggen, zoals FAISS en HNSW, maken het zoeken naar overeenkomsten op miljarden schaal praktisch. Hoewel het principe van de dichtstbijzijnde buur zelden de ultieme classificator is in grote pijplijnen, is het relevanter dan ooit als de ruggengraat van semantisch zoeken en aanbevelen.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
K-Nearest Neighbours (KNN) classificeert een nieuw datapunt door naar de K dichtstbijzijnde voorbeelden te kijken en een meerderheidsstemming te nemen. Het is van belang als een van de eenvoudigste, meest intuïtieve algoritmen op het gebied van machinaal leren, waarvoor vrijwel geen training nodig is.
KNN vindt de K dichtstbijzijnde opgeslagen voorbeelden en wijst de meest voorkomende klasse daarvan toe (voor regressie worden de waarden ervan gemiddeld).
KNN is instance-based rather than learning a compact parametric weight set; implementations can still preprocess or build search indexes at fit time.
Omdat KNN afhankelijk is van afstand, kan een ongeschaald groot bereik andere kenmerken overweldigen, dus kenmerken worden meestal genormaliseerd.
Een kleine K laat een enkele luidruchtige of verkeerd gelabelde buurman het resultaat bepalen, wat leidt tot een grillige, overmatige grens.
A brute-force scan compares against stored points, while trees or approximate-neighbor indexes can accelerate some workloads depending on data and metric.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Naïeve Bayes-classificatoren
Grondbeginselen