K-NN (K-Nearest Neighbours) — это алгоритм, используемый в контролируемом обучении в области машинного обучения. Это непараметрическая форма обучения с учителем, которая вместо того, чтобы делать предположения о данных, основана на сходстве между классифицированными точками данных. Результатом работы алгоритма является присвоение класса рассматриваемой точке данных.
K-NN часто используется для решения задач классификации и регрессии, где алгоритмы могут изучать и выявлять закономерности в наборах данных. Он работает путем анализа всех точек данных в наборе данных и присвоения соответствующей метки или числового значения на основе точек данных, которые наиболее близки к интересующему образцу. Этот метод классификации полезен в тех случаях, когда характеристики точек данных неизвестны, поскольку тогда можно измерить расстояние между наблюдениями и сделать обоснованное предположение относительно метки класса.
K-NN также используется в рекомендательных системах многих веб-сайтов. Он работает путем оценки сходства прошлых выборов данного пользователя с другими пользователями, чтобы давать рекомендации относительно того, какие продукты могут быть интересны пользователю. Это позволяет сайтам адаптировать продукты и услуги к интересам отдельных пользователей.
K-NN - это универсальный алгоритм с широким применением в таких областях, как анализ фондовых рынков, распознавание лиц и предотвращение преступлений. Он очень эффективен и прост для понимания, что делает его хорошей отправной точкой для введения в машинное обучение.