{"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\/pt\/wiki\/k-nn-k-nearest-neighbours\/","title":{"rendered":"k-NN (k-vizinhos mais pr\u00f3ximos)"},"content":{"rendered":"<p>Breve informa\u00e7\u00e3o sobre k-NN (k-vizinhos mais pr\u00f3ximos)<\/p>\n<p>k-Nearest Neighbors (k-NN) \u00e9 um algoritmo de aprendizagem simples, n\u00e3o param\u00e9trico e lento usado para classifica\u00e7\u00e3o e regress\u00e3o. Em problemas de classifica\u00e7\u00e3o, k-NN atribui um r\u00f3tulo de classe com base na maioria dos r\u00f3tulos de classe entre os &#039;k&#039; vizinhos mais pr\u00f3ximos do objeto. Para regress\u00e3o, atribui um valor baseado na m\u00e9dia ou mediana dos valores de seus &#039;k&#039; vizinhos mais pr\u00f3ximos.<\/p>\n<h2>A hist\u00f3ria da origem de k-NN (k-Nearest Neighbours) e a primeira men\u00e7\u00e3o dele<\/h2>\n<p>O algoritmo k-NN tem suas ra\u00edzes na literatura de reconhecimento estat\u00edstico de padr\u00f5es. O conceito foi introduzido por Evelyn Fix e Joseph Hodges em 1951, marcando o in\u00edcio da t\u00e9cnica. Desde ent\u00e3o, tem sido amplamente utilizado em diferentes dom\u00ednios devido \u00e0 sua simplicidade e efic\u00e1cia.<\/p>\n<h2>Informa\u00e7\u00f5es detalhadas sobre k-NN (k-vizinhos mais pr\u00f3ximos). Expandindo o t\u00f3pico k-NN (k-vizinhos mais pr\u00f3ximos)<\/h2>\n<p>k-NN opera identificando os &#039;k&#039; exemplos de treinamento mais pr\u00f3ximos de uma determinada entrada e fazendo previs\u00f5es com base na regra da maioria ou na m\u00e9dia. M\u00e9tricas de dist\u00e2ncia, como dist\u00e2ncia euclidiana, dist\u00e2ncia de Manhattan ou dist\u00e2ncia de Minkowski, s\u00e3o frequentemente usadas para medir similaridade. Os principais componentes do k-NN s\u00e3o:<\/p>\n<ul>\n<li>Escolha de &#039;k&#039; (n\u00famero de vizinhos a considerar)<\/li>\n<li>M\u00e9trica de dist\u00e2ncia (por exemplo, euclidiana, Manhattan)<\/li>\n<li>Regra de decis\u00e3o (por exemplo, vota\u00e7\u00e3o por maioria, vota\u00e7\u00e3o ponderada)<\/li>\n<\/ul>\n<h2>A estrutura interna do k-NN (k-vizinhos mais pr\u00f3ximos). Como funciona o k-NN (k-vizinhos mais pr\u00f3ximos)<\/h2>\n<p>O funcionamento do k-NN pode ser dividido nas seguintes etapas:<\/p>\n<ol>\n<li><strong>Escolha o n\u00famero &#039;k&#039;<\/strong> \u2013 Selecione o n\u00famero de vizinhos a considerar.<\/li>\n<li><strong>Selecione uma m\u00e9trica de dist\u00e2ncia<\/strong> \u2013 Determinar como medir a \u201cproximidade\u201d das inst\u00e2ncias.<\/li>\n<li><strong>Encontre os k-vizinhos mais pr\u00f3ximos<\/strong> \u2013 Identifique as &#039;k&#039; amostras de treinamento mais pr\u00f3ximas da nova inst\u00e2ncia.<\/li>\n<li><strong>Fazer uma previs\u00e3o<\/strong> \u2013 Para classifica\u00e7\u00e3o, utilize a vota\u00e7\u00e3o por maioria. Para regress\u00e3o, calcule a m\u00e9dia ou mediana.<\/li>\n<\/ol>\n<h2>An\u00e1lise dos principais recursos de k-NN (k-Nearest Neighbours)<\/h2>\n<ul>\n<li><strong>Simplicidade<\/strong>: F\u00e1cil de implementar e entender.<\/li>\n<li><strong>Flexibilidade<\/strong>: Funciona com diversas m\u00e9tricas de dist\u00e2ncia e \u00e9 adapt\u00e1vel a diferentes tipos de dados.<\/li>\n<li><strong>Sem fase de treinamento<\/strong>: usa diretamente os dados de treinamento durante a fase de previs\u00e3o.<\/li>\n<li><strong>Sens\u00edvel a dados barulhentos<\/strong>: Valores discrepantes e ru\u00eddo podem afetar o desempenho.<\/li>\n<li><strong>Computacionalmente intensivo<\/strong>: requer o c\u00e1lculo de dist\u00e2ncias para todas as amostras no conjunto de dados de treinamento.<\/li>\n<\/ul>\n<h2>Tipos de k-NN (k-vizinhos mais pr\u00f3ximos)<\/h2>\n<p>Existem diferentes variantes de k-NN, como:<\/p>\n<table>\n<thead>\n<tr>\n<th>Tipo<\/th>\n<th>Descri\u00e7\u00e3o<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Padr\u00e3o k-NN<\/td>\n<td>Utiliza peso uniforme para todos os vizinhos.<\/td>\n<\/tr>\n<tr>\n<td>K-NN ponderado<\/td>\n<td>D\u00e1 mais peso aos vizinhos mais pr\u00f3ximos, normalmente com base no inverso da dist\u00e2ncia.<\/td>\n<\/tr>\n<tr>\n<td>K-NN adaptativo<\/td>\n<td>Ajusta &#039;k&#039; dinamicamente com base na estrutura local do espa\u00e7o de entrada.<\/td>\n<\/tr>\n<tr>\n<td>k-NN ponderado localmente<\/td>\n<td>Combina &#039;k&#039; adaptativo e pondera\u00e7\u00e3o de dist\u00e2ncia.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Maneiras de usar k-NN (k-Nearest Neighbours), problemas e suas solu\u00e7\u00f5es relacionadas ao uso<\/h2>\n<ul>\n<li><strong>Uso<\/strong>: Classifica\u00e7\u00e3o, Regress\u00e3o, Sistemas de Recomenda\u00e7\u00e3o, Reconhecimento de Imagens.<\/li>\n<li><strong>Problemas<\/strong>: Alto custo de computa\u00e7\u00e3o, Sens\u00edvel a recursos irrelevantes, Problemas de escalabilidade.<\/li>\n<li><strong>Solu\u00e7\u00f5es<\/strong>: Sele\u00e7\u00e3o de recursos, pondera\u00e7\u00e3o de dist\u00e2ncia, utiliza\u00e7\u00e3o de estruturas de dados eficientes como KD-Trees.<\/li>\n<\/ul>\n<h2>Principais caracter\u00edsticas e outras compara\u00e7\u00f5es com termos semelhantes<\/h2>\n<table>\n<thead>\n<tr>\n<th>Atributo<\/th>\n<th>k-NN<\/th>\n<th>\u00c1rvores de decis\u00e3o<\/th>\n<th>SVM<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Tipo de modelo<\/td>\n<td>Aprendizagem pregui\u00e7osa<\/td>\n<td>Aprendizagem ansiosa<\/td>\n<td>Aprendizagem ansiosa<\/td>\n<\/tr>\n<tr>\n<td>Complexidade de treinamento<\/td>\n<td>Baixo<\/td>\n<td>M\u00e9dio<\/td>\n<td>Alto<\/td>\n<\/tr>\n<tr>\n<td>Complexidade de previs\u00e3o<\/td>\n<td>Alto<\/td>\n<td>Baixo<\/td>\n<td>M\u00e9dio<\/td>\n<\/tr>\n<tr>\n<td>Sensibilidade ao Ru\u00eddo<\/td>\n<td>Alto<\/td>\n<td>M\u00e9dio<\/td>\n<td>Baixo<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspectivas e tecnologias do futuro relacionadas a k-NN (k-Nearest Neighbours)<\/h2>\n<p>Os avan\u00e7os futuros podem se concentrar na otimiza\u00e7\u00e3o do k-NN para big data, na integra\u00e7\u00e3o com modelos de aprendizagem profunda, no aumento da robustez ao ru\u00eddo e na automatiza\u00e7\u00e3o da sele\u00e7\u00e3o de hiperpar\u00e2metros.<\/p>\n<h2>Como os servidores proxy podem ser usados ou associados a k-NN (k-Nearest Neighbours)<\/h2>\n<p>Servidores proxy, como os fornecidos pelo OneProxy, podem desempenhar um papel em aplica\u00e7\u00f5es k-NN envolvendo web scraping ou coleta de dados. A coleta de dados por meio de proxies garante o anonimato e pode fornecer conjuntos de dados mais diversos e imparciais para a constru\u00e7\u00e3o de modelos k-NN robustos.<\/p>\n<h2>Links Relacionados<\/h2>\n<ul>\n<li><a href=\"https:\/\/scikit-learn.org\/stable\/modules\/neighbors.html\" target=\"_new\" rel=\"noopener nofollow\">Documenta\u00e7\u00e3o do Scikit-learn k-NN<\/a><\/li>\n<li><a href=\"https:\/\/en.wikipedia.org\/wiki\/K-nearest_neighbors_algorithm\" target=\"_new\" rel=\"noopener nofollow\">P\u00e1gina da Wikipedia sobre algoritmo k-vizinhos mais pr\u00f3ximos<\/a><\/li>\n<li><a href=\"https:\/\/oneproxy.pro\/pt\/\" target=\"_new\" rel=\"noopener\">OneProxy \u2013 Solu\u00e7\u00f5es de Servidor 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\/pt\/wp-json\/wp\/v2\/wiki\/477783","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/wiki\/477783\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/media\/468739"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/pt\/wp-json\/wp\/v2\/media?parent=477783"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}