k-NN (k-najbliższych sąsiadów)

K-NN (K-Nearest Neighbors) to algorytm stosowany w uczeniu nadzorowanym w obszarze uczenia maszynowego. Jest to nieparametryczna forma uczenia się pod nadzorem, która zamiast przyjmować założenia dotyczące danych, opiera się na podobieństwie pomiędzy sklasyfikowanymi punktami danych. Wynikiem algorytmu jest przypisanie klasy dla danego punktu danych.

K-NN jest często używany do rozwiązywania problemów klasyfikacji i regresji, w przypadku których algorytmy mogą uczyć się i identyfikować wzorce w zbiorach danych. Działa poprzez analizę wszystkich punktów danych w zbiorze danych i przypisanie odpowiedniej etykiety lub wartości liczbowej na podstawie punktów danych znajdujących się najbliżej interesującej próbki. Ta metoda klasyfikacji jest pomocna w przypadkach, gdy charakterystyka punktów danych nie jest znana, ponieważ można wówczas zmierzyć odległość między obserwacjami i zgadnąć, jaka jest etykieta klasy.

K-NN jest również używany w systemach rekomendacji wielu stron internetowych. Działa na zasadzie oceny podobieństwa wcześniejszych wyborów danego użytkownika do wyborów innych użytkowników i przedstawia rekomendacje dotyczące produktów, którymi użytkownik może być zainteresowany. Dzięki temu witryny mogą dostosowywać produkty i usługi do indywidualnych zainteresowań użytkownika.

K-NN to wszechstronny algorytm o szerokim zastosowaniu w takich obszarach, jak analiza rynków akcji, rozpoznawanie twarzy i zapobieganie przestępczości. Ponieważ jest bardzo wydajny i prosty w zrozumieniu, jest dobrym punktem wyjścia do wprowadzenia do uczenia maszynowego.