En estadístiques, l'algoritme de k-veïns més propers és un mètode de classificació no paramètric desenvolupat per Evelyn Fix i Joseph Hodges el 1951, i més tard ampliat per Thomas Cover. S'utilitza per a la classificació i la regressió. En ambdós casos, l'entrada consisteix en els k exemples d'entrenament més propers en un conjunt de dades.
Com funciona K el veí més proper?
KNN funciona cercant les distàncies entre una consulta i tots els exemples a les dades, seleccionant el nombre d'exemples especificat (K) més proper a la consulta i, a continuació, votar pel màxim. etiqueta freqüent (en el cas de la classificació) o la mitjana de les etiquetes (en el cas de la regressió).
Què s'entén per algorisme K Nearest Neighbor?
K Nearest Neighbor és un algorisme simple que emmagatzema tots els casos disponibles i classifica les dades o casos nous en funció d'una mesura de semblança. S'utilitza principalment per classificar un punt de dades en funció de com es classifiquen els seus veïns.
Què és l'aprenentatge automàtic de K Nearest Neighbor?
K-Nearest Neighbor és un dels algorismes d'aprenentatge automàtic més senzill basat en la tècnica d'aprenentatge supervisat L'algoritme K-NN assumeix la similitud entre el nou cas/dades i els casos disponibles i posa el nou cas a la categoria més semblant a les categories disponibles.
Quin és l'avantatge del K veí més proper?
Emmagatzema el conjunt de dades d'entrenament i només n'aprèn en el moment de fer prediccions en temps real. Això fa que l'algoritme KNN sigui molt més ràpid que altres algorismes que requereixen formació, p. SVM, regressió lineal, etc.
