{"id":477783,"date":"2023-08-09T09:20:08","date_gmt":"2023-08-09T09:20:08","guid":{"rendered":""},"modified":"2023-09-05T11:15:24","modified_gmt":"2023-09-05T11:15:24","slug":"k-nn-k-nearest-neighbours","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/pl\/wiki\/k-nn-k-nearest-neighbours\/","title":{"rendered":"k-NN (k-najbli\u017csi s\u0105siedzi)"},"content":{"rendered":"<p>Kr\u00f3tka informacja o k-NN (k-najbli\u017cszych s\u0105siad\u00f3w)<\/p>\n<p>k-Nearest Neighbors (k-NN) to prosty, nieparametryczny i leniwy algorytm uczenia si\u0119 u\u017cywany do klasyfikacji i regresji. W problemach klasyfikacyjnych k-NN przypisuje etykiet\u0119 klasy w oparciu o wi\u0119kszo\u015b\u0107 etykiet klas w\u015br\u00f3d \u201ek\u201d najbli\u017cszych s\u0105siad\u00f3w obiektu. W przypadku regresji przypisuje warto\u015b\u0107 w oparciu o \u015bredni\u0105 lub median\u0119 warto\u015bci jego \u201ek\u201d najbli\u017cszych s\u0105siad\u00f3w.<\/p>\n<h2>Historia powstania k-NN (k-Najbli\u017cszych S\u0105siad\u00f3w) i pierwsza wzmianka o nim<\/h2>\n<p>Algorytm k-NN ma swoje korzenie w literaturze dotycz\u0105cej rozpoznawania wzorc\u00f3w statystycznych. Koncepcja zosta\u0142a wprowadzona przez Evelyn Fix i Josepha Hodgesa w 1951 roku, wyznaczaj\u0105c pocz\u0105tek tej techniki. Od tego czasu jest szeroko stosowany w r\u00f3\u017cnych dziedzinach ze wzgl\u0119du na swoj\u0105 prostot\u0119 i skuteczno\u015b\u0107.<\/p>\n<h2>Szczeg\u00f3\u0142owe informacje na temat k-NN (k-najbli\u017cszych s\u0105siad\u00f3w). Rozszerzenie tematu k-NN (k-najbli\u017cszych s\u0105siad\u00f3w)<\/h2>\n<p>k-NN dzia\u0142a poprzez identyfikacj\u0119 \u201ek\u201d przyk\u0142ad\u00f3w szkoleniowych najbli\u017cszych danym danym wej\u015bciowym i dokonywanie prognoz w oparciu o regu\u0142\u0119 wi\u0119kszo\u015bci lub u\u015brednianie. Do pomiaru podobie\u0144stwa cz\u0119sto stosuje si\u0119 metryki odleg\u0142o\u015bci, takie jak odleg\u0142o\u015b\u0107 euklidesowa, odleg\u0142o\u015b\u0107 Manhattanu lub odleg\u0142o\u015b\u0107 Minkowskiego. Kluczowymi sk\u0142adnikami k-NN s\u0105:<\/p>\n<ul>\n<li>Wyb\u00f3r \u201ek\u201d (liczba s\u0105siad\u00f3w do rozwa\u017cenia)<\/li>\n<li>Metryka odleg\u0142o\u015bci (np. euklidesowa, Manhattan)<\/li>\n<li>Regu\u0142a decyzyjna (np. g\u0142osowanie wi\u0119kszo\u015bci\u0105, g\u0142osowanie wa\u017cone)<\/li>\n<\/ul>\n<h2>Wewn\u0119trzna struktura k-NN (k-Najbli\u017cszych S\u0105siad\u00f3w). Jak dzia\u0142a k-NN (k-najbli\u017cszych s\u0105siad\u00f3w).<\/h2>\n<p>Dzia\u0142anie k-NN mo\u017cna podzieli\u0107 na nast\u0119puj\u0105ce etapy:<\/p>\n<ol>\n<li><strong>Wybierz liczb\u0119 \u201ek\u201d<\/strong> \u2013 Wybierz liczb\u0119 s\u0105siad\u00f3w do rozwa\u017cenia.<\/li>\n<li><strong>Wybierz metryk\u0119 odleg\u0142o\u015bci<\/strong> \u2013 Okre\u015bl, jak mierzy\u0107 \u201eblisko\u015b\u0107\u201d instancji.<\/li>\n<li><strong>Znajd\u017a k-najbli\u017cszych s\u0105siad\u00f3w<\/strong> \u2013 Zidentyfikuj \u201ek\u201d pr\u00f3bek szkoleniowych najbli\u017cszych nowej instancji.<\/li>\n<li><strong>Dokona\u0107 prognozy<\/strong> \u2013 Do klasyfikacji nale\u017cy zastosowa\u0107 g\u0142osowanie wi\u0119kszo\u015bci\u0105. W przypadku regresji nale\u017cy obliczy\u0107 \u015bredni\u0105 lub median\u0119.<\/li>\n<\/ol>\n<h2>Analiza kluczowych cech k-NN (k-najbli\u017cszych s\u0105siad\u00f3w)<\/h2>\n<ul>\n<li><strong>Prostota<\/strong>: \u0141atwy do wdro\u017cenia i zrozumienia.<\/li>\n<li><strong>Elastyczno\u015b\u0107<\/strong>: Dzia\u0142a z r\u00f3\u017cnymi metrykami odleg\u0142o\u015bci i mo\u017cna go dostosowa\u0107 do r\u00f3\u017cnych typ\u00f3w danych.<\/li>\n<li><strong>Brak fazy szkoleniowej<\/strong>: Bezpo\u015brednio wykorzystuje dane szkoleniowe w fazie przewidywania.<\/li>\n<li><strong>Wra\u017cliwy na zaszumione dane<\/strong>: Warto\u015bci odstaj\u0105ce i szumy mog\u0105 mie\u0107 wp\u0142yw na wydajno\u015b\u0107.<\/li>\n<li><strong>Intensywne obliczeniowo<\/strong>: Wymaga obliczenia odleg\u0142o\u015bci do wszystkich pr\u00f3bek w zbiorze danych szkoleniowych.<\/li>\n<\/ul>\n<h2>Rodzaje k-NN (k-najbli\u017cszych s\u0105siad\u00f3w)<\/h2>\n<p>Istniej\u0105 r\u00f3\u017cne warianty k-NN, takie jak:<\/p>\n<table>\n<thead>\n<tr>\n<th>Typ<\/th>\n<th>Opis<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Standardowe k-NN<\/td>\n<td>Wykorzystuje jednakow\u0105 wag\u0119 dla wszystkich s\u0105siad\u00f3w.<\/td>\n<\/tr>\n<tr>\n<td>Wa\u017cone k-NN<\/td>\n<td>Przypisuje wi\u0119ksz\u0105 wag\u0119 bli\u017cszym s\u0105siadom, zazwyczaj w oparciu o odwrotno\u015b\u0107 odleg\u0142o\u015bci.<\/td>\n<\/tr>\n<tr>\n<td>Adaptacyjne k-NN<\/td>\n<td>Dostosowuje dynamicznie \u201ek\u201d w oparciu o lokaln\u0105 struktur\u0119 przestrzeni wej\u015bciowej.<\/td>\n<\/tr>\n<tr>\n<td>Lokalnie wa\u017cone k-NN<\/td>\n<td>\u0141\u0105czy w sobie zar\u00f3wno adaptacyjne \u201ek\u201d, jak i wa\u017cenie odleg\u0142o\u015bci.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Sposoby wykorzystania k-NN (k-Nearest Neighbours), problemy i rozwi\u0105zania zwi\u0105zane z u\u017cyciem<\/h2>\n<ul>\n<li><strong>Stosowanie<\/strong>: Klasyfikacja, regresja, systemy rekomenduj\u0105ce, rozpoznawanie obraz\u00f3w.<\/li>\n<li><strong>Problemy<\/strong>: Wysokie koszty oblicze\u0144, Wra\u017cliwo\u015b\u0107 na nieistotne funkcje, Problemy ze skalowalno\u015bci\u0105.<\/li>\n<li><strong>Rozwi\u0105zania<\/strong>: Wyb\u00f3r funkcji, wa\u017cenie odleg\u0142o\u015bci, wykorzystanie wydajnych struktur danych, takich jak drzewa KD.<\/li>\n<\/ul>\n<h2>G\u0142\u00f3wne cechy i inne por\u00f3wnania z podobnymi terminami<\/h2>\n<table>\n<thead>\n<tr>\n<th>Atrybut<\/th>\n<th>k-NN<\/th>\n<th>Drzewa decyzyjne<\/th>\n<th>SVM<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Typ modelu<\/td>\n<td>Leniwa nauka<\/td>\n<td>Ch\u0119tna do nauki<\/td>\n<td>Ch\u0119tna do nauki<\/td>\n<\/tr>\n<tr>\n<td>Z\u0142o\u017cono\u015b\u0107 treningu<\/td>\n<td>Niski<\/td>\n<td>\u015aredni<\/td>\n<td>Wysoki<\/td>\n<\/tr>\n<tr>\n<td>Z\u0142o\u017cono\u015b\u0107 przewidywania<\/td>\n<td>Wysoki<\/td>\n<td>Niski<\/td>\n<td>\u015aredni<\/td>\n<\/tr>\n<tr>\n<td>Wra\u017cliwo\u015b\u0107 na ha\u0142as<\/td>\n<td>Wysoki<\/td>\n<td>\u015aredni<\/td>\n<td>Niski<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspektywy i technologie przysz\u0142o\u015bci zwi\u0105zane z k-NN (k-Nearest Neighbours)<\/h2>\n<p>Przysz\u0142e post\u0119py mog\u0105 skupia\u0107 si\u0119 na optymalizacji k-NN pod k\u0105tem du\u017cych zbior\u00f3w danych, integracji z modelami g\u0142\u0119bokiego uczenia si\u0119, zwi\u0119kszaniu odporno\u015bci na szum i automatyzacji wyboru hiperparametr\u00f3w.<\/p>\n<h2>Jak serwery proxy mog\u0105 by\u0107 u\u017cywane lub powi\u0105zane z k-NN (k-Nearest Neighbours)<\/h2>\n<p>Serwery proxy, takie jak te dostarczane przez OneProxy, mog\u0105 odgrywa\u0107 rol\u0119 w aplikacjach k-NN obejmuj\u0105cych przegl\u0105danie sieci lub gromadzenie danych. Gromadzenie danych za po\u015brednictwem serwer\u00f3w proxy zapewnia anonimowo\u015b\u0107 i mo\u017ce zapewni\u0107 bardziej zr\u00f3\u017cnicowane i bezstronne zbiory danych do budowania solidnych modeli k-NN.<\/p>\n<h2>Powi\u0105zane linki<\/h2>\n<ul>\n<li><a href=\"https:\/\/scikit-learn.org\/stable\/modules\/neighbors.html\" target=\"_new\" rel=\"noopener nofollow\">Dokumentacja Scikit-learn k-NN<\/a><\/li>\n<li><a href=\"https:\/\/en.wikipedia.org\/wiki\/K-nearest_neighbors_algorithm\" target=\"_new\" rel=\"noopener nofollow\">Strona Wikipedii na temat algorytmu k-najbli\u017cszych s\u0105siad\u00f3w<\/a><\/li>\n<li><a href=\"https:\/\/oneproxy.pro\/pl\/\" target=\"_new\" rel=\"noopener\">OneProxy \u2013 Rozwi\u0105zania serwer\u00f3w proxy<\/a><\/li>\n<\/ul>","protected":false},"featured_media":468739,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-477783","wiki","type-wiki","status-publish","has-post-thumbnail","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>k-NN (k-Nearest Neighbours)<\/mark>","faq_items":[{"question":"What is the k-Nearest Neighbours (k-NN) algorithm?","answer":"<p>The k-Nearest Neighbours (k-NN) is a simple and non-parametric algorithm used for classification and regression. It works by identifying the 'k' closest training examples to a given input and making predictions based on majority rule or averaging.<\/p>"},{"question":"What was the origin of the k-NN algorithm?","answer":"<p>The k-NN algorithm was introduced by Evelyn Fix and Joseph Hodges in 1951, marking its inception in statistical pattern recognition literature.<\/p>"},{"question":"How does the k-NN algorithm work?","answer":"<p>The k-NN algorithm works by choosing a number 'k', selecting a distance metric, finding the k-nearest neighbors to the new instance, and making a prediction based on majority voting for classification or computing the mean or median for regression.<\/p>"},{"question":"What are the key features of the k-NN algorithm?","answer":"<p>Key features of k-NN include its simplicity, flexibility, lack of a training phase, sensitivity to noisy data, and computational intensity.<\/p>"},{"question":"What are the different types of k-NN?","answer":"<p>There are various types of k-NN, including Standard k-NN, Weighted k-NN, Adaptive k-NN, and Locally Weighted k-NN.<\/p>"},{"question":"How can k-NN be used, and what are the related problems and solutions?","answer":"<p>k-NN can be used for classification, regression, recommender systems, and image recognition. Common problems include high computation cost, sensitivity to irrelevant features, and scalability issues. Solutions may involve feature selection, distance weighting, and utilizing efficient data structures like KD-Trees.<\/p>"},{"question":"How does the k-NN algorithm compare with other similar terms?","answer":"<p>k-NN differs from other algorithms like Decision Trees and SVM in aspects such as model type, training complexity, prediction complexity, and sensitivity to noise.<\/p>"},{"question":"What are the future prospects of k-NN?","answer":"<p>Future advancements in k-NN may focus on optimizing for big data, integrating with deep learning models, enhancing robustness to noise, and automating hyperparameter selection.<\/p>"},{"question":"How are proxy servers like OneProxy associated with k-NN?","answer":"<p>Proxy servers like OneProxy can be used in k-NN applications for web scraping or data collection. Gathering data through proxies ensures anonymity and can provide more diverse and unbiased datasets for building robust k-NN models.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki\/477783","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki\/477783\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/media\/468739"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/media?parent=477783"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}