Logo boatexistence.com

Was ist k nächster Nachbar?

Inhaltsverzeichnis:

Was ist k nächster Nachbar?
Was ist k nächster Nachbar?

Video: Was ist k nächster Nachbar?

Video: Was ist k nächster Nachbar?
Video: Klassifikation mit dem k-Nächste-Nachbarn Algorithmus | Data Mining Algorithmen 2024, Kann
Anonim

In der Statistik ist der k-Nächste-Nachbarn-Algorithmus eine nichtparametrische Klassifizierungsmethode, die erstmals 1951 von Evelyn Fix und Joseph Hodges entwickelt und später von Thomas Cover erweitert wurde. Es wird zur Klassifizierung und Regression verwendet. In beiden Fällen besteht die Eingabe aus den k am nächsten liegenden Trainingsbeispielen in einem Datensatz.

Wie funktioniert K nächster Nachbar?

KNN funktioniert, indem die Abstände zwischen einer Suchanfrage und allen Beispielen in den Daten ermittelt werden, die spezifizierten Zahlenbeispiele (K) ausgewählt werden, die der Suchanfrage am nächsten liegen, und dann für die meisten stimmen häufiges Etikett (bei Klassifizierung) oder mittelt die Etiketten (bei Regression).

Was ist mit K Nearest Neighbor Algorithmus gemeint?

K Nächster Nachbar ist ein einfacher Algorithmus, der alle verfügbaren Fälle speichert und die neuen Daten oder Fälle basierend auf einem Ähnlichkeitsmaß klassifiziert. Es wird hauptsächlich verwendet, um einen Datenpunkt basierend auf der Klassifizierung seiner Nachbarn zu klassifizieren.

Was ist maschinelles Lernen mit K Nearest Neighbor?

K-Nearest Neighbor ist einer der einfachsten maschinellen Lernalgorithmen basierend auf der Technik des überwachten Lernens Der K-NN-Algorithmus geht von der Ähnlichkeit zwischen dem neuen Fall/den neuen Daten und verfügbaren Fällen und Put aus den neuen Fall in die Kategorie, die den verfügbaren Kategorien am ähnlichsten ist.

Was ist der Vorteil des K nächsten Nachbarn?

Es speichert den Trainingsdatensatz und lernt daraus nur zum Zeitpunkt der Erstellung von Echtzeitvorhersagen. Dies macht den KNN-Algorithmus viel schneller als andere Algorithmen, die ein Training erfordern, z. SVM, lineare Regression etc.

Empfohlen: