k-NN (voisins les plus proches)

K-NN (K-Nearest Neighbors) est un algorithme utilisé dans l'apprentissage supervisé dans le domaine de l'apprentissage automatique. Il s'agit d'une forme non paramétrique d'apprentissage supervisé qui, au lieu de faire des hypothèses sur les données, se base sur la similarité entre les points de données classifiés. Le résultat de l'algorithme est une affectation de classe pour le point de données en question.

Le K-NN est souvent utilisé pour résoudre des problèmes de classification et de régression où les algorithmes peuvent apprendre et identifier des modèles dans des ensembles de données. Il analyse tous les points de données de l'ensemble et attribue l'étiquette ou la valeur numérique appropriée en fonction des points de données les plus proches de l'échantillon d'intérêt. Cette méthode de classification est utile dans les cas où les caractéristiques des points de données ne sont pas connues, car il est alors possible de mesurer la distance entre les observations et de faire une supposition éclairée quant à l'étiquette de la classe.

Le K-NN est également utilisé dans les systèmes de recommandation de nombreux sites web. Il évalue les similitudes entre les sélections passées d'un utilisateur donné et celles d'autres utilisateurs afin de formuler des recommandations sur les produits susceptibles d'intéresser l'utilisateur. Cela permet aux sites d'adapter les produits et les services aux intérêts de chaque utilisateur.

Le K-NN est un algorithme polyvalent dont les applications sont très répandues dans des domaines tels que l'analyse des marchés boursiers, la reconnaissance faciale et la prévention de la criminalité. Il est très efficace et simple à comprendre, ce qui en fait un bon point de départ pour une introduction à l'apprentissage automatique.