NastępnyNastępny poradnik
Naiwne klasyfikatory Bayesa
Podstawy
PODSTAWOWY PRZEWODNIK
K-Najbliżsi sąsiedzi
Funkcja K-Nearest Neighbors (KNN) klasyfikuje nowy punkt danych, przyglądając się K najbliższym przykładom i podejmując decyzję większościową.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~2 min
Na tej stronie2 minuty czytania
Przegląd
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
Głębokie nurkowanie
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.
Implementacja w świecie rzeczywistym
Systemy rekomendacji: sugerowanie filmów lub produktów podobnych do tych, które użytkownik już polubił.
Rozpoznawanie cyfr pisanych odręcznie: klasyfikacja cyfry poprzez porównanie jej z najbardziej podobnymi oznakowanymi obrazami.
Wsparcie diagnostyki medycznej: przewidywanie stanu na podstawie pacjentów z najbardziej podobnymi wynikami badań.
Wyszukiwanie semantyczne: pobieranie najbliższego osadzenia tekstu w celu odpowiedzi na zapytanie w bazie danych wektorowych.
Przyszłość K-najbliższych sąsiadów
Podstawowa idea KNN, czyli znajdowanie najbardziej podobnych przykładów, umożliwia nowoczesne wyszukiwanie wektorów i generowanie wspomagane wyszukiwaniem, podczas którego systemy pobierają najbliższe wektory osadzające w celu uziemienia dużych modeli językowych. Przybliżone biblioteki najbliższego sąsiada, takie jak FAISS i HNSW, sprawiają, że wyszukiwanie podobieństw w skali miliardów jest praktyczne. Chociaż rzadko jest to ostateczny klasyfikator w dużych potokach, zasada najbliższego sąsiada jest bardziej istotna niż kiedykolwiek jako podstawa wyszukiwania i rekomendacji semantycznych.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- Jaśniejsze decyzje. Pomaga oddzielić jasne twierdzenia techniczne od języka marketingowego.
- Koszt i budżet. Możesz zadawać pytania dotyczące lepszego wdrożenia, zanim wydasz pieniądze lub czas.
- Zespół i przepływ pracy. Zespoły charakteryzujące się wspólnym zrozumieniem podejmują lepsze decyzje dotyczące produktów, zasad i uczenia się.
Uważaj na
- Różne zespoły mogą odmiennie używać tego samego terminu, dlatego należy wcześniej zdefiniować zakres.
- Testy porównawcze mogą wyglądać dobrze, podczas gdy wydajność w świecie rzeczywistym jest nierówna.
- Ignorowanie planów dotyczących jakości danych i oceny często skutkuje kruchymi wynikami.
Kolejne kroki
- Zacznij od jasnej definicji potrzebnego wyniku.
- Przed testowaniem wybierz jedną metrykę sukcesu i jeden warunek niepowodzenia.
- Przeprowadź mały pilotaż z reprezentatywnymi danymi, a nie dopracowanym zestawem demonstracyjnym.
- Dokumentuj, gdzie pomaga K-Nearest Neighbours i gdzie prostsze metody są lepsze.
Odkrywaj dalej
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the K-Nearest Neighbors quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Często zadawane pytania
What is K-Nearest Neighbors?
Funkcja K-Nearest Neighbors (KNN) klasyfikuje nowy punkt danych, przyglądając się K najbliższym przykładom i podejmując decyzję większościową. Ma znaczenie jako jeden z najprostszych, najbardziej intuicyjnych algorytmów w uczeniu maszynowym, nie wymagający prawie żadnego szkolenia.
W jaki sposób KNN klasyfikuje nowy punkt danych?
KNN znajduje K najbliższych zapisanych przykładów i przypisuje spośród nich najczęstszą klasę (w przypadku regresji uśrednia ich wartości).
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.
Dlaczego skalowanie funkcji jest ważne dla KNN?
Ponieważ KNN opiera się na odległości, nieskalowana cecha o dużym zasięgu może przytłoczyć inne, dlatego cechy są zwykle znormalizowane.
Co się stanie, jeśli wybierzesz bardzo małe K, np. K=1?
Małe K pozwala pojedynczemu hałaśliwemu lub błędnie oznakowanemu sąsiadowi decydować o wyniku, co prowadzi do postrzępionej, nadmiernie dopasowanej granicy.
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.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat