المسرد

K-أقرب الجيران (KNN)

استكشف KNN، وهي خوارزمية تعلم آلي متعددة الاستخدامات للتصنيف والانحدار والتعرف على الصور وغيرها. تعلم كيف تتنبأ باستخدام قرب البيانات.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

K-Nearest Neighbours (KNN) هي خوارزمية بسيطة لكنها قوية للتعلم الآلي تُستخدم في مهام التصنيف والانحدار. وتتمثل وظيفتها الأساسية في التنبؤ بفئة أو قيمة نقطة بيانات استنادًا إلى أقرب نقاط البيانات "k" في مساحة الميزة. تُعرف خوارزمية KNN ببساطتها وفعاليتها في التعامل مع مشاكل التصنيف، خاصةً مع مجموعات البيانات التي لا تكون فيها حدود القرار خطية.

كيف يعمل الجار الأقرب K

تعمل KNN من خلال تخزين جميع نقاط البيانات المتاحة، وعند الحاجة إلى التنبؤ، يتم تحديد الجيران الأقرب "k" لنقطة الاستعلام. تحدد الخوارزمية بعد ذلك الفئة الأكثر شيوعًا (للتصنيف) أو متوسط القيمة (للانحدار) بين هؤلاء الجيران كتنبؤ.

  • مقياس المسافة: يعد اختيار مقياس المسافة أمرًا حاسمًا في شبكة KNN. تشمل المقاييس الشائعة المسافات الإقليدية ومانهاتن ومينكوفسكي. يحدد هذا المقياس كيفية قياس "تقارب" نقاط البيانات.

  • اختيار "ك": يعد اختيار القيمة المناسبة ل "k" أمرًا بالغ الأهمية لأداء النموذج. تجعل قيمة "k" الصغيرة النموذج أكثر حساسية للضوضاء، في حين أن قيمة "k" الكبيرة يمكن أن تبسط حدود القرار بشكل مفرط، مما قد يؤدي إلى فقدان أنماط دقيقة.

  • التعقيد الحسابي: تتطلب شبكة KNN حساب المسافات بين نقطة الاستعلام وجميع النقاط الأخرى في مجموعة البيانات، مما يجعلها كثيفة الحساب مع زيادة حجم مجموعة البيانات. قد تجعل هذه الخاصية من الصعب استخدام شبكة KNN مع مجموعات البيانات الكبيرة دون تحسينها.

تطبيقات KNN

  1. التعرّف على الصور: يستطيع KNN تصنيف الصور بناءً على قيم شدة البكسل. في الرؤية الحاسوبية، يُستخدم في الرؤية الحاسوبية للكشف عن الأنماط في مجموعات بيانات الصور من خلال مقارنة الصور الجديدة بالصور المصنفة سابقاً.

  2. أنظمة التوصيات: بالاستفادة من بيانات التفاعل بين المستخدم والعنصر، تحدد شبكة KNN المستخدمين أو العناصر المتشابهة لتقديم توصيات. تُستخدم هذه التقنية بشكل شائع في منصات التجارة الإلكترونية لاقتراح المنتجات بناءً على السلوك التاريخي للمستخدم وتفضيلاته.

  3. تشخيص الرعاية الصحية: تساعد شبكة KNN في التنبؤ بحالات المرضى من خلال مقارنة بيانات المرضى الجدد بالبيانات الموجودة من سجلات المرضى التاريخية، مما يساعد في التشخيص وتخطيط العلاج.

أمثلة من العالم الحقيقي

  • كشف الاحتيال: تستخدم المؤسسات المالية شبكة KNN للكشف عن المعاملات الاحتيالية من خلال تحديد الأنماط النموذجية للاحتيال استنادًا إلى سجل المعاملات السابقة.

  • التنبؤ بأسعار الأسهم: في مجال التمويل، يتم تطبيق شبكة KNN للتنبؤ بأسعار الأسهم من خلال تحليل الاتجاهات السابقة وتحديد الأنماط التاريخية المماثلة للتنبؤ بالتحركات المستقبلية.

المزايا والعيوب

  • الإيجابيات:

    • تنفيذ بسيط دون الحاجة إلى مرحلة تدريب النموذج.
    • لا يلزم ضبط معلمات النموذج، بخلاف تحديد "k" ومقياس المسافة.
    • أداء جيد مع مجموعات البيانات الأصغر ومشاكل التصنيف متعدد الفئات.
  • السلبيات:

    • تكلفة حسابية عالية خلال مرحلة التنبؤ.
    • حساس للميزات غير ذات الصلة أو الزائدة عن الحاجة لأن جميع الميزات تساهم بشكل متساوٍ.
    • تدهور الأداء السريع مع زيادة البُعدية، والمعروف باسم "لعنة البُعدية".

المفاهيم والبدائل ذات الصلة

  • تجميع K-Means Clustering: بينما يتم استخدام KNN للتصنيف، فإن K-Means Clustering هي خوارزمية تعلّم غير خاضعة للإشراف تقوم بتجميع البيانات في مجموعات بناءً على تشابه السمات.

  • آلة دعم المتجهات الداعمة (SVM): على عكس KNN، تعد SVM نموذجًا تعليميًا خاضعًا للإشراف يعثر على المستوى الفائق في مساحة الميزة التي تفصل بين الفئات المختلفة على أفضل وجه. تعرف على المزيد حول آلات دعم المتجهات.

  • أشجار القرار: تقوم هذه النماذج بإنشاء رسم بياني شبيه بالشجرة للقرارات للمساعدة في التصنيف. تعرف على المزيد حول أشجار القرار.

للتطبيقات العملية والنشر، استكشف إمكانيات Ultralytics HUB، وهي منصة تتيح سهولة تدريب ونشر نماذج التعلم الآلي مثل KNN وما بعدها. قم بزيارة Ultralytics HUB للاستفادة من حلول بدون كود لمشاريع الذكاء الاصطناعي الخاصة بك.

لفهم مدى ملاءمة شبكة KNN لمهام التعلم الآلي الأوسع نطاقاً، استكشف التعلم الخاضع للإشراف ومفاهيم التعلم الآلي الأخرى ذات الصلة.

قراءة الكل