기계 학습을위한 K-Nearest Neighbors로 분류 찾기

기계 학습 문제가 숫자 또는 클래스를 추측하는 것이라면, k-Nearest Neighbors (kNN) 알고리즘의 학습 전략에 대한 아이디어는 항상 동일합니다. 이 알고리즘은 예측해야 할 것과 가장 유사한 관찰을 발견하고 이웃 값을 평균화하거나 가장 빈번한 응답 클래스를 선택하여 가능한 대답의 좋은 직감을 도출합니다.

kNN의 학습 전략은 암기에 가깝습니다. 특정 분류 규칙을 사용하여 질문을 이해할 수 있기 때문에 질문에 특정 특성 (상황 또는 과거 사례를 기반으로 함)이있을 때 대답이 무엇인지 기억하는 것이 좋습니다. 어떤 의미에서는 kNN은 교육 시간에 실제 학습이 수행되지 않고 데이터 기록 만하므로 지연 알고리즘으로 정의되는 경우가 많습니다.

분류 작업을 할 때 kNN은 차이를 만들 수 있습니다. 예를 들어 소프트웨어 에이전트가 소셜 네트워크에 태그를 게시하거나 판매 권장 사항을 제안하는 경우와 같이 많은 라벨을 처리해야합니다. kNN은 수백 개의 레이블을 쉽게 처리 할 수 ​​있지만 다른 학습 알고리즘은 각 레이블에 대해 다른 모델을 지정해야합니다.