In pattern recognition, the k-Neare

In pattern recognition, the k-Nearest Neighbors algorithm (or k-NN for short) is a non-parametric method used for classification and regression.[1] In both cases, the input consists of the k closest training examples in the feature space. The output depends on whether k-NN is used for classification or regression:

In k-NN classification, the output is a class membership. An object is classified by a majority vote of its neighbors, with the object being assigned to the class most common among its k nearest neighbors (k is a positive integer, typically small). If k = 1, then the object is simply assigned to the class of that single nearest neighbor.
In k-NN regression, the output is the property value for the object. This value is the average of the values of its k nearest neighbors.
k-NN is a type of instance-based learning, or lazy learning, where the function is only approximated locally and all computation is deferred until classification. The k-NN algorithm is among the simplest of all machine learning algorithms.

Both for classification and regression, it can be useful to assign weight to the contributions of the neighbors, so that the nearer neighbors contribute more to the average than the more distant ones. For example, a common weighting scheme consists in giving each neighbor a weight of 1/d, where d is the distance to the neighbor.[2]

The neighbors are taken from a set of objects for which the class (for k-NN classification) or the object property value (for k-NN regression) is known. This can be thought of as the training set for the algorithm, though no explicit training step is required.

A shortcoming of the k-NN algorithm is that it is sensitive to the local structure of the data.[citation needed] The algorithm is not to be confused with k-means, another popular machine learning technique.

ผลลัพธ์ (ไทย) 1:

ในการรู้จำแบบ k ใกล้บ้านอัลกอริทึม (หรือ k-NN สั้น ๆ) เป็นวิธีไม่ใช่พาราเมตริกใช้สำหรับการจัดประเภทและการถดถอย [1] ในทั้งสองกรณี การป้อนข้อมูลประกอบด้วยตัวอย่างการฝึกใกล้เคียงที่สุด k ในพื้นที่คุณลักษณะ ผลผลิตขึ้นอยู่กับว่าใช้ k-NN สำหรับการจัดประเภทหรือถดถอย:ในประเภท k-NN ผลลัพธ์จะเป็นสมาชิกระดับ วัตถุตามเสียงส่วนใหญ่ของประเทศเพื่อนบ้าน กับวัตถุที่ถูกกำหนดให้คลาทั่วไปในหมู่ของ k ใกล้บ้าน (k เป็นจำนวนเต็มบวก เล็กมาก ๆ) ถ้า k = 1 แล้วชั้นที่เดียวใกล้บ้านเพียงแค่กำหนดวัตถุใน k-NN ถดถอย ผลลัพธ์คือ ค่าของคุณสมบัติสำหรับวัตถุ ค่านี้เป็นค่าเฉลี่ยของค่าของ k ที่ใกล้บ้านk-NN เป็นชนิดของอินสแตนซ์ที่เรียน หรือขี้เกียจเรียน ที่ประมาณฟังก์ชันเฉพาะในท้องถิ่น และสะสมจนถึงการจัดประเภทการคำนวณทั้งหมด อัลกอริทึม k-NN เป็นหนึ่งในที่ง่ายที่สุดของอัลกอริทึมการเรียนรู้เครื่องจักรทั้งหมดทั้ง การจัดประเภทและการถดถอย มันสามารถใช้เพื่อกำหนดให้น้ำหนักกับผลงานของเพื่อนบ้าน เพื่อให้เพื่อนบ้านเอื้อมช่วยเฉลี่ยกว่าไกลกว่าคนมาก ตัว แบบน้ำหนักทั่วไปประกอบด้วยในการให้แต่ละบ้านมีน้ำหนัก 1/d ที่ d คือ ระยะห่างจากเพื่อนบ้าน [2]เพื่อนบ้านจะนำมาจากชุดของวัตถุที่ระดับ (การจัดเอ็นเอ็นเค) หรือค่าคุณสมบัติของวัตถุ (สำหรับ k-NN ถดถอย) เป็นที่รู้จักกัน นี้สามารถถือได้ว่า เป็นการฝึกอบรมที่กำหนดสำหรับอัลกอริทึม แม้ว่าขั้นตอนการฝึกอบรมชัดเจนไม่จำเป็นข้อบกพร่องของอัลกอริทึม k-NN คือ ว่า ก็มีความสำคัญกับโครงสร้างภายในของข้อมูล [แก้] อัลกอริทึมจะไม่ให้ สับสนกับถึง จักรนิยมอื่นเรียนรู้เทคนิค

ผลลัพธ์ (ไทย) 2:

ในการรับรู้รูปแบบขั้นตอนวิธี K-เพื่อนบ้านที่ใกล้ที่สุด (หรือ K-NN สั้น ๆ ) เป็นวิธีการที่ไม่ใช่ตัวแปรที่ใช้สำหรับการจัดหมวดหมู่และการถดถอย. [1] ในทั้งสองกรณีใส่ประกอบด้วยตัวอย่างการฝึกอบรม K ใกล้เคียงที่สุดในพื้นที่คุณลักษณะ การส่งออกขึ้นอยู่กับว่า K-NN จะใช้สำหรับการจัดหมวดหมู่หรือถดถอย:

K-NN จำแนกออกเป็นสมาชิกระดับ วัตถุถูกจัดด้วยคะแนนเสียงข้างมากของประเทศเพื่อนบ้านของตนกับวัตถุที่ได้รับมอบหมายให้ไปเรียนที่พบมากที่สุดในหมู่ K เพื่อนบ้านที่ใกล้ที่สุดของมัน (k เป็นจำนวนเต็มบวกโดยทั่วไปขนาดเล็ก) ถ้า K = 1 แล้ววัตถุที่ได้รับมอบหมายก็ไปเรียนที่เพื่อนบ้านที่ใกล้ที่สุดเดียว.
K-NN ถดถอยส่งออกเป็นมูลค่าทรัพย์สินสำหรับวัตถุ ค่านี้เป็นค่าเฉลี่ยของค่า K ของเพื่อนบ้านที่ใกล้ที่สุดของมัน.
K-NN เป็นประเภทของการเรียนรู้ตัวอย่างที่ใช้ในการเรียนรู้หรือขี้เกียจที่ฟังก์ชั่นที่มีประมาณเพียงในประเทศและการคำนวณทั้งหมดจะถูกเลื่อนไปก่อนจนกว่าการจัดหมวดหมู่ อัลกอริทึม K-NN เป็นหนึ่งในที่ง่ายที่สุดของทุกขั้นตอนวิธีการเรียนรู้ของเครื่อง.

ทั้งการจัดหมวดหมู่และการถดถอยก็จะเป็นประโยชน์ในการกำหนดน้ำหนักที่จะมีส่วนร่วมของเพื่อนบ้านเพื่อให้เพื่อนบ้านใกล้ชิดส่วนร่วมมากขึ้นเฉลี่ยกว่าคนที่อยู่ห่างไกลมากขึ้น . ตัวอย่างเช่นโครงการน้ำหนักทั่วไปประกอบด้วยในการให้แต่ละเพื่อนบ้านน้ำหนัก 1 / d d เป็นระยะทางไปยังเพื่อนบ้านได้. [2]

เพื่อนบ้านที่นำมาจากชุดของวัตถุที่ชั้นเรียน (K-NN การจัดหมวดหมู่ ) หรือมูลค่าทรัพย์สินวัตถุ (K-NN ถดถอย) เป็นที่รู้จักกัน นี้อาจจะคิดว่าเป็นชุดการฝึกอบรมสำหรับขั้นตอนวิธีแม้ว่าจะไม่มีขั้นตอนการฝึกอบรมอย่างชัดเจนจะต้อง.

ข้อบกพร่องของขั้นตอนวิธี K-NN ก็คือว่ามันมีความไวต่อโครงสร้างท้องถิ่นของข้อมูล. [อ้างจำเป็น] ขั้นตอนวิธีการไม่ได้ ต้องสับสนกับ K-หมายถึงเทคนิคการเรียนรู้เครื่องอื่นที่เป็นที่นิยม