K- Awọn aladugbo to sunmọ
Awọn aladugbo K-Nitosi (KNN) ṣe ipinlẹ aaye data tuntun nipa wiwo awọn apẹẹrẹ K ti o sunmọ julọ ati gbigba ibo to poju.
Akopọ
It matters as one of the simplest, most intuitive algorithms in machine learning, requiring almost no training.
Jin Dive
KNN jẹ 'akẹẹkọ ọlẹ': ko ṣe ikẹkọ gidi ati dipo o kan tọju gbogbo dataset. Lati ṣe iyasọtọ aaye tuntun, o ṣe iwọn ijinna, nigbagbogbo Euclidean, si gbogbo apẹẹrẹ ti o fipamọ, wa awọn aladugbo K ti o sunmọ, o si fi kilasi ti o wọpọ julọ laarin wọn. Fun ipadasẹhin, o ṣe aropin awọn iye awọn aladugbo dipo. Yiyan awọn ọrọ K: K kekere kan jẹ ifarabalẹ si ariwo ati pe o le bori, lakoko ti K nla kan n ṣe awọn ipinnu ṣugbọn o le di awọn aala gidi di. Nitori gbogbo awọn ẹya ṣe alabapin si ijinna, awọn ibeere KNN ṣe ẹya igbelowọn ki awọn oniyipada titobi nla ma ṣe jẹ gaba lori. Ailagbara akọkọ rẹ ni iyara asọtẹlẹ, nitori ibeere kọọkan ṣe afiwe si gbogbo dataset.
Imọ-imọ-ẹrọ
KNN kii ṣe parametric ati apẹẹrẹ-orisun: ko ṣe arosinu nipa apẹrẹ ti data ati tọju awọn apẹẹrẹ dipo awọn iwuwo ikẹkọ. Awọn metiriki ijinna, Euclidean, Manhattan, tabi cosine, ṣalaye 'isunmọ', ati pe aala ipinnu ti o ṣe le jẹ alaibamu gaan. Nitoripe o ṣe afiwe ibeere kọọkan si gbogbo awọn aaye, wiwa aitọ jẹ o lọra, nitorinaa awọn ile-ikawe lo awọn igi KD, awọn igi-bọọlu, tabi awọn atọka adugbo-isunmọ lati yara wiwa ni awọn iwọn kekere.
Ipa Ilana
Awọn ipinnu diẹ sii
O ṣe iranlọwọ fun ọ lati ya sọtọ awọn iṣeduro imọ-ẹrọ lati ede tita.
Iye owo ati isuna
O le beere awọn ibeere imuse to dara julọ ṣaaju lilo owo tabi akoko.
Ẹgbẹ ati ṣiṣan iṣẹ
Awọn ẹgbẹ pẹlu oye pinpin ṣe ọja to dara julọ, eto imulo, ati awọn ipinnu ikẹkọ.
Ojo iwaju ti K-Nitosi Awọn aladugbo
Ero pataki ti KNN, wa awọn apẹẹrẹ ti o jọra julọ, awọn agbara wiwa fekito ode oni ati iran imupadabọ, nibiti awọn ọna ṣiṣe ti mu awọn ifisinu ifisinu ti o sunmọ julọ si ilẹ awọn awoṣe ede nla. Isunmọ awọn ile ikawe aladuugbo bi FAISS ati HNSW jẹ ki wiwa ibajọra-biliọnu-biliọnu jẹ iwulo. Lakoko ti o ṣọwọn ikasi ikẹhin ni awọn opo gigun ti epo nla, ipilẹ-aladugbo ti o sunmọ jẹ pataki diẹ sii ju igbagbogbo lọ bi ẹhin ti wiwa atunmọ ati iṣeduro.
Real-World imuse
Awọn ọna ṣiṣe iṣeduro: didaba awọn fiimu tabi awọn ọja ti o jọra si awọn ti olumulo ti nifẹ tẹlẹ.
Idanimọ oni-nọmba ti a fi ọwọ kọ: ṣiṣe iyatọ nọmba kan nipa fiwera si awọn aworan ti o jọra julọ.
Atilẹyin iwadii aisan iṣoogun: asọtẹlẹ ipo ti o da lori awọn alaisan ti o ni awọn abajade idanwo ti o jọra julọ.
Ṣiṣawari atọmọ: gbigba awọn ifibọ ọrọ to sunmọ lati dahun ibeere kan ninu aaye data vector kan.
Awọn ewu & Awọn ọna iṣọ
Awọn ẹgbẹ oriṣiriṣi le lo ọrọ kanna ni oriṣiriṣi, nitorinaa ṣalaye iwọn ni kutukutu.
Awọn aṣepari le wo lagbara lakoko ti iṣẹ-aye gidi ko ṣe deede.
Aibikita didara data ati awọn ero igbelewọn nigbagbogbo ṣẹda awọn abajade ẹlẹgẹ.
Ilana Ilana imuse
Bẹrẹ pẹlu itumọ-ede itele ti abajade ti o nilo.
Mu metiriki aṣeyọri kan ati ipo ikuna kan ṣaaju idanwo.
Ṣiṣe awakọ kekere kan pẹlu data aṣoju, kii ṣe eto demo didan.
Iwe-ipamọ nibiti awọn aladugbo K-Nitosi ṣe iranlọwọ ati nibiti awọn ọna ti o rọrun dara julọ.
Tesiwaju Ṣiṣawari
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
Itọsọna atẹle
Naive Bayes Classifiers
Awọn ibeere ti a beere nigbagbogbo
What is K-Nearest Neighbors?
Awọn aladugbo K-Nitosi (KNN) ṣe ipinlẹ aaye data tuntun nipa wiwo awọn apẹẹrẹ K ti o sunmọ julọ ati gbigba ibo to poju. O ṣe pataki bi ọkan ninu awọn algoridimu ti o rọrun julọ, ogbon inu ni ẹkọ ẹrọ, ko nilo ikẹkọ.
Bawo ni KNN ṣe lẹtọ aaye data tuntun kan?
KNN wa awọn apẹẹrẹ ti o fipamọ K to sunmọ ati fi kilasi ti o wọpọ julọ laarin wọn (fun ipadasẹhin, o ṣe iwọn awọn iye wọn).
Kini idi ti a pe KNN ni 'akẹẹkọ ọlẹ'?
KNN sun siwaju gbogbo iṣẹ si akoko asọtẹlẹ; o rọrun ṣe akori dataset dipo kiko awoṣe lakoko ikẹkọ.
Kilode ti igbelowọn ẹya ṣe pataki fun KNN?
Nitoripe KNN gbarale ijinna, ẹya ti ko ni iwọn nla le bori awọn miiran, nitorinaa awọn ẹya jẹ deede deede.
Kini yoo ṣẹlẹ ti o ba yan K kekere kan, bii K=1?
K kekere kan jẹ ki aladuugbo kan ti o npariwo tabi ti ko tọ pinnu abajade, ti o yori si jagged, aala ti ko dara.
Kini drawback ilowo akọkọ ti KNN?
Niwọn igba ti ibeere kọọkan gbọdọ wọn ijinna si gbogbo apẹẹrẹ, asọtẹlẹ le lọra lori awọn ipilẹ data nla, igi ti nfa tabi awọn iyara wiwa isunmọ.