K-قریب ترین پڑوسی
K-Nearest Neighbours (KNN) K قریب ترین مثالوں کو دیکھ کر اور اکثریتی ووٹ لے کر ایک نئے ڈیٹا پوائنٹ کی درجہ بندی کرتا ہے۔
جائزہ
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
گہرا غوطہ
KNN ایک 'سست سیکھنے والا' ہے: یہ کوئی حقیقی تربیت نہیں کرتا اور اس کے بجائے صرف پورا ڈیٹا سیٹ اسٹور کرتا ہے۔ ایک نئے نقطہ کی درجہ بندی کرنے کے لیے، یہ فاصلے کی پیمائش کرتا ہے، عام طور پر یوکلیڈین، ہر ذخیرہ شدہ مثال کے لیے، K کے قریب ترین پڑوسیوں کو تلاش کرتا ہے، اور ان میں سب سے عام کلاس تفویض کرتا ہے۔ رجعت کے لیے، یہ پڑوسیوں کی اقدار کی بجائے اوسط کرتا ہے۔ K کا انتخاب اہمیت رکھتا ہے: ایک چھوٹا K شور کے لیے حساس ہوتا ہے اور زیادہ فٹ ہو سکتا ہے، جبکہ ایک بڑا K فیصلوں کو ہموار کرتا ہے لیکن حقیقی حدود کو دھندلا کر سکتا ہے۔ چونکہ تمام خصوصیات فاصلے میں حصہ ڈالتی ہیں، اس لیے KNN فیچر اسکیلنگ کا مطالبہ کرتا ہے تاکہ بڑے رینج کے متغیرات حاوی نہ ہوں۔ اس کی بنیادی کمزوری پیشین گوئی کی رفتار ہے، کیونکہ ہر سوال کا موازنہ پورے ڈیٹاسیٹ سے ہوتا ہے۔
تکنیکی بصیرت
KNN نان پیرامیٹرک اور مثال پر مبنی ہے: یہ ڈیٹا کی شکل کے بارے میں کوئی قیاس نہیں کرتا اور وزن سیکھنے کے بجائے مثالوں کو اسٹور کرتا ہے۔ فاصلاتی میٹرکس، یوکلیڈین، مین ہٹن، یا کوزائن، 'قربیت' کی وضاحت کرتی ہیں، اور اس سے جو فیصلہ کی حد بنتی ہے وہ انتہائی بے قاعدہ ہو سکتی ہے۔ چونکہ یہ ہر استفسار کا تمام نکات سے موازنہ کرتا ہے، اس لیے سادہ تلاش کرنا سست ہے، اس لیے لائبریریاں نچلے جہتوں میں تلاش کو تیز کرنے کے لیے KD-trees، ball-trees، یا قریب ترین پڑوسی انڈیکس کا استعمال کرتی ہیں۔
اسٹریٹجک اثر
واضح فیصلے
یہ آپ کو مارکیٹنگ کی زبان سے واضح تکنیکی دعووں کو الگ کرنے میں مدد کرتا ہے۔
لاگت اور بجٹ
آپ پیسہ یا وقت خرچ کرنے سے پہلے بہتر نفاذ کے سوالات پوچھ سکتے ہیں۔
Team and workflow
مشترکہ تفہیم کے ساتھ ٹیمیں بہتر پروڈکٹ، پالیسی اور سیکھنے کے فیصلے کرتی ہیں۔
K-قریب ترین پڑوسیوں کا مستقبل
KNN کا بنیادی خیال، سب سے ملتی جلتی مثالیں تلاش کریں، جدید ویکٹر کی تلاش اور بازیافت سے بڑھی ہوئی جنریشن کو طاقت دیتا ہے، جہاں سسٹمز بڑے لینگویج ماڈلز کو گراؤنڈ کرنے کے لیے قریب ترین ایمبیڈنگ ویکٹر لاتے ہیں۔ FAISS اور HNSW جیسی قریب ترین پڑوسی لائبریریاں ارب پیمانے پر مماثلت کی تلاش کو عملی بناتی ہیں۔ اگرچہ بڑی پائپ لائنوں میں شاذ و نادر ہی حتمی درجہ بندی کرنے والا، قریب ترین پڑوسی اصول سیمنٹک تلاش اور سفارش کی ریڑھ کی ہڈی کے طور پر پہلے سے کہیں زیادہ متعلقہ ہے۔
حقیقی دنیا کا نفاذ
سفارشی نظام: ایسی فلموں یا پروڈکٹس کی تجویز کرنا جو صارف پہلے سے پسند کرتا ہے۔
ہاتھ سے لکھے ہوئے ہندسوں کی شناخت: کسی ہندسے کا موازنہ سب سے ملتی جلتی لیبل والی تصویروں سے کر کے درجہ بندی کرنا۔
طبی تشخیصی معاونت: ٹیسٹ کے سب سے ملتے جلتے نتائج والے مریضوں کی بنیاد پر حالت کی پیش گوئی۔
سیمنٹک سرچ: ویکٹر ڈیٹا بیس میں کسی سوال کا جواب دینے کے لیے قریب ترین ٹیکسٹ ایمبیڈنگز کو بازیافت کرنا۔
خطرات اور گارڈریلز
مختلف ٹیمیں ایک ہی اصطلاح کو مختلف طریقے سے استعمال کر سکتی ہیں، اس لیے دائرہ کار کی جلد وضاحت کریں۔
بینچ مارکس مضبوط نظر آسکتے ہیں جبکہ حقیقی دنیا کی کارکردگی ناہموار ہے۔
ڈیٹا کے معیار اور تشخیص کے منصوبوں کو نظر انداز کرنا اکثر نازک نتائج پیدا کرتا ہے۔
نفاذ کا روڈ میپ
آپ کو مطلوبہ نتائج کی سادہ زبان کی تعریف کے ساتھ شروع کریں۔
جانچ کرنے سے پہلے ایک کامیابی میٹرک اور ایک ناکامی کی شرط منتخب کریں۔
نمائندہ ڈیٹا کے ساتھ ایک چھوٹا پائلٹ چلائیں، نہ کہ پالش شدہ ڈیمو سیٹ۔
دستاویز جہاں K-قریب ترین پڑوسی مدد کرتے ہیں اور جہاں آسان طریقے بہتر ہیں۔
دریافت کرتے رہیں
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the K-Nearest Neighbors quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
اگلا گائیڈ
Naive Bayes Classifiers
اکثر پوچھے گئے سوالات
What is K-Nearest Neighbors?
K-Nearest Neighbours (KNN) K قریب ترین مثالوں کو دیکھ کر اور اکثریتی ووٹ لے کر ایک نئے ڈیٹا پوائنٹ کی درجہ بندی کرتا ہے۔ یہ مشین لرننگ میں سب سے آسان، سب سے زیادہ بدیہی الگورتھم کے طور پر اہمیت رکھتا ہے، جس میں تقریباً کسی تربیت کی ضرورت نہیں ہے۔
KNN نئے ڈیٹا پوائنٹ کی درجہ بندی کیسے کرتا ہے؟
KNN K کو قریب ترین ذخیرہ شدہ مثالیں تلاش کرتا ہے اور ان میں سب سے عام کلاس تفویض کرتا ہے (رجعت کے لیے، یہ ان کی قدروں کو اوسط کرتا ہے)۔
KNN کو 'سست سیکھنے والا' کیوں کہا جاتا ہے؟
KNN نے تمام کام کو پیشین گوئی کے وقت تک ملتوی کر دیا۔ یہ تربیت کے دوران ماڈل بنانے کے بجائے ڈیٹاسیٹ کو صرف حفظ کرتا ہے۔
KNN کے لیے فیچر اسکیلنگ کیوں اہم ہے؟
چونکہ KNN فاصلے پر انحصار کرتا ہے، ایک غیر اسکیل شدہ بڑی رینج کی خصوصیت دوسروں کو مغلوب کر سکتی ہے، اس لیے خصوصیات کو عام طور پر معمول بنایا جاتا ہے۔
کیا ہوتا ہے اگر آپ ایک بہت چھوٹا K منتخب کرتے ہیں، جیسے K=1؟
ایک چھوٹا K ایک شور کرنے والے یا غلط لیبل والے پڑوسی کو نتیجہ کا فیصلہ کرنے دیتا ہے، جس کے نتیجے میں ایک داغدار، اوورفٹ باؤنڈری ہوتی ہے۔
KNN کی بنیادی عملی خرابی کیا ہے؟
چونکہ ہر استفسار کو ہر مثال کے فاصلے کی پیمائش کرنی چاہیے، اس لیے بڑے ڈیٹا سیٹس پر پیشین گوئی سست ہو سکتی ہے، درخت یا تخمینی تلاش کی رفتار کو بڑھاوا دیتی ہے۔