InayofuataMwongozo unaofuata
Waainishaji wa Bayes wasio na akili
Misingi
MUONGOZO wa Misingi
K-Majirani wa Karibu
K-Nearest Neighbors (KNN) huainisha sehemu mpya ya data kwa kuangalia mifano ya karibu ya K na kupiga kura nyingi.
Sikiliza mwongozo huuInaonyeshwa na AI · ~2 min
Katika ukurasa huudk 2 kusoma
Muhtasari
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
Dive ya kina
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.
Utekelezaji wa Ulimwengu Halisi
Mifumo ya mapendekezo: kupendekeza filamu au bidhaa zinazofanana na zile ambazo mtumiaji tayari alipenda.
Utambuzi wa tarakimu ulioandikwa kwa mkono: kuainisha tarakimu kwa kuilinganisha na picha zinazofanana zaidi zenye lebo.
Usaidizi wa uchunguzi wa kimatibabu: kutabiri hali kulingana na wagonjwa walio na matokeo ya mtihani yanayofanana zaidi.
Utafutaji wa kimantiki: kurejesha upachikaji wa maandishi ulio karibu zaidi ili kujibu swali katika hifadhidata ya vekta.
Mustakabali wa Majirani wa K-Karibu Zaidi
Wazo la msingi la KNN, tafuta mifano inayofanana zaidi, huwezesha utafutaji wa vekta wa kisasa na kizazi kilichoboreshwa, ambapo mifumo huleta vekta za upachikaji zilizo karibu zaidi ili kusaga miundo mikubwa ya lugha. Takriban maktaba za ujirani kama vile FAISS na HNSW hufanya utafutaji wa mfanano wa mabilioni kuwa wa vitendo. Ingawa mara chache huwa kiainishi cha mwisho katika mabomba makubwa, kanuni ya ujirani wa karibu inafaa zaidi kuliko hapo awali kama uti wa mgongo wa utafutaji na mapendekezo ya kisemantiki.
Kuiweka katika vitendo
Kwa nini ni muhimu
- Maamuzi ya wazi zaidi. Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
- Gharama na bajeti. Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
- Timu na mtiririko wa kazi. Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Jihadharini na
- Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
- Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
- Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Hatua zinazofuata
- Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
- Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
- Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
- Hati ambapo Majirani wa K-Karibu zaidi husaidia na ambapo mbinu rahisi ni bora zaidi.
Endelea Kuchunguza
Jarida halali
Pata taarifa ya kila siku ya AI
Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.
Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.
Jijaribu mwenyewe
Take the K-Nearest Neighbors quiz
Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.
Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango
Maswali yanayoulizwa mara kwa mara
What is K-Nearest Neighbors?
K-Nearest Neighbors (KNN) huainisha sehemu mpya ya data kwa kuangalia mifano ya karibu ya K na kupiga kura nyingi. Ni muhimu kama mojawapo ya algoriti rahisi na angavu zaidi katika kujifunza kwa mashine, inayohitaji karibu hakuna mafunzo.
KNN inaainisha vipi nukta mpya ya data?
KNN hupata K mifano iliyohifadhiwa karibu zaidi na inapeana darasa la kawaida kati yao (kwa rejista, inakadiria maadili yao).
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.
Kwa nini kuongeza kipengele ni muhimu kwa KNN?
Kwa sababu KNN inategemea umbali, kipengele cha masafa makubwa ambacho hakijapimwa kinaweza kuwalemea wengine, kwa hivyo vipengele kawaida hurekebishwa.
Nini kitatokea ukichagua K ndogo sana, kama K=1?
K ndogo huruhusu jirani mmoja mwenye kelele au aliyeandikwa vibaya kuamua tokeo, na kusababisha mpaka ulioporomoka, wa kupita kiasi.
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.
Endelea kujifunza
Miongozo inayohusiana
Miongozo zaidi imechaguliwa kwa mada hii