Ένας Γρήγορος Οδηγός για την Κατανόηση του Αλγορίθμου KNN

Με τον επιχειρηματικό κόσμο να υιοθετεί επιθετικά την Επιστήμη Δεδομένων, έχει γίνει ένα από τα πιο αναζητούμενα πεδία. Εξηγούμε τι είναι ο αλγόριθμος K-nearest neighbor και πώς λειτουργεί.

Τι είναι ο Αλγόριθμος KNN;

Ο αλγόριθμος K-Nearest Neighbors (ή KNN) είναι ένας από τους πιο χρησιμοποιούμενους αλγορίθμους μάθησης λόγω της απλότητας του. Ο KNN ή αλγόριθμος K-nearest neighbor είναι ένας αλγόριθμος επιβλεπόμενης μάθησης που λειτουργεί με βάση το принцип ότι κάθε σημείο δεδομένων που πέφτει κοντά στο άλλο ανήκει στην ίδια κατηγορία. Η βασική υπόθεση εδώ είναι ότι τα πράγματα που είναι κοντά το ένα στο άλλο, είναι παρόμοια. Συνήθως, ο αλγόριθμος KNN χρησιμοποιείται λόγω της ευκολίας ερμηνείας και του χαμηλού χρόνου υπολογισμού.

Ο KNN χρησιμοποιείται ευρέως για προβλήματα ταξινόμησης και παλινδρόμησης στη μηχανική μάθηση. Κάποια παραδείγματα του KNN είναι αλγόριθμοι που χρησιμοποιούνται από τις εμπορικές πύλες για να συνιστώνται παρόμοια προϊόντα.

Ας Αναλύσουμε ένα Παράδειγμα:

Στην δεδομένη εικόνα, έχουμε δύο κατηγορίες δεδομένων. Η Κατηγορία Α αντιπροσωπεύει τετράγωνα και η Κατηγορία Β αντιπροσωπεύει τρίγωνα.

Το πρόβλημα είναι να ανατεθεί ένα νέο σημείο δεδομένων σε μια από τις δύο κατηγορίες με τη χρήση του αλγορίθμου KNN

Ο πρώτος βήμα είναι να οριστεί η τιμή του ‘K’ που αντιπροσωπεύει τον αριθμό των πλησιέστερων γειτόνων.

Εάν η τιμή του “k” είναι 6, θα ψάξει για 6 πλησιέστερους γείτονες σε αυτό το σημείο δεδομένων, εάν η τιμή του “k” είναι 5, θα ψάξει για 5 πλησιέστερους γείτονες σε αυτό το σημείο δεδομένων.

Ας θεωρήσουμε ‘K’ = 4, το οποίο σημαίνει ότι ο αλγόριθμος θα λάβει υπόψη τους τέσσερις γείτονες που είναι οι πλησιέστεροι στο σημείο δεδομένων.

Τώρα, στο ‘K’ = 4, ένα τρίγωνο και δύο τετράγωνα μπορούν να θεωρηθούν ως οι πλησιέστεροι γείτονες. Έτσι, το νέο σημείο δεδομένων με βάση το ‘K’ = 4, θα ανατεθεί στην Κατηγορία Α.

Πού να Χρησιμοποιηθεί ο KNN;

Ο KNN χρησιμοποιείται και στα προβλήματα ταξινόμησης και παλινδρόμησης. Όμως, όταν εφαρμόζεται για βιομηχανικούς σκοπούς, συνήθως χρησιμοποιείται στην ταξινόμηση, поскольку αντιμετωπίζει όλα τα παραμέτρους που αξιολογούνται όταν καθορίζεται η χρησιμότητα μιας τεχνικής.

1. Ισχύς Προέβλεψης
2. Χρόνος Υπολογισμού
3. Ευκολία Ερμηνείας της Έξοδου

Πώς Εφαρμόζεται στα Καθημερινά Προβλήματα;

Παρά την απλότητά του, ο KNN λειτουργεί πολύ καλύτερα από άλλους ισχυρούς ταξινομητές και χρησιμοποιείται σε μέρη όπως η οικονομική πρόβλεψη, η συμπίεση δεδομένων, η αναγνώριση βίντεο, η αναγνώριση εικόνας, η ανίχνευση γραφής και η αναγνώριση ομιλίας.

Κάποιοι Μεγάλες Χρήσεις του Αλγορίθμου KNN

Ο αλγόριθμος KNN χρησιμοποιείται στο τραπεζικό σύστημα για να προβλέψει εάν ένα άτομο είναι κατάλληλο για έγκριση δανείου ή όχι, προβλέποντας εάν έχει παρόμοια χαρακτηριστικά με έναν αθέτη. Ο KNN επίσης βοηθά στο υπολογισμό των πιστωτικών βαθμολογιών των ατόμων, συγκρίνοντάς τις με άτομα που έχουν παρόμοια χαρακτηριστικά.

Εταιρείες που Χρησιμοποιούν τον KNN

Πολλές εταιρείες εμπορίου και ψυχαγωγίας όπως η Amazon (AMZN ) ή η Netflix (NFLX ) χρησιμοποιούν τον KNN όταν συνιστώνται προϊόντα για αγορά ή ταινίες/σειρές για προβολή.

Πώς κάνουν αυτές τις συστάσεις; Ναι, αυτές οι εταιρείες συλλέγουν δεδομένα για τη συμπεριφορά των χρηστών, όπως τα προηγούμενα προϊόντα που έχουν αγοράσει ή τις ταινίες που έχουν δει στην ιστοσελίδα τους και εφαρμόζουν τον KNN.

Οι εταιρείες θα εισαγάγουν τα διαθέσιμα δεδομένα του πελάτη και θα τα συγκρίνουν με άλλα άτομα που έχουν αγοράσει παρόμοια προϊόντα ή έχουν δει παρόμοιες ταινίες.

Τα προϊόντα και οι ταινίες θα συνιστώνται στο άτομο, ανάλογα με τον τρόπο που ο αλγόριθμος ταξινομεί το σημείο δεδομένων.

Πλεονεκτήματα και Μειονεκτήματα του KNN

Πλεονεκτήματα του KNN

• Γρήγορος υπολογισμός
• Απλός αλγόριθμος – για ερμηνεία
• Πολυμορφικός – χρήσιμος για ταξινόμηση και παλινδρόμηση
• Υψηλή ακρίβεια
• Χωρίς υποθέσεις για τα δεδομένα – δεν χρειάζεται να κάνουμε πρόσθετες υποθέσεις ή να δημιουργήσουμε ένα μοντέλο.

Μειονεκτήματα του KNN

• Η ακρίβεια εξαρτάται από την ποιότητα των δεδομένων
• Η πρόβλεψη γίνεται αργή με μεγάλα δεδομένα
• Δεν είναι σχετικός για μεγάλα σύνολα δεδομένων
• Χρειάζεται να αποθηκεύσουμε όλα τα δεδομένα εκπαίδευσης, επομένως απαιτεί υψηλή μνήμη
• Μπορεί να είναι υπολογιστικά δαπανηρός, καθώς αποθηκεύει όλα τα δεδομένα εκπαίδευσης

Στο αυτό το blog, προσπαθήσαμε να εξηγήσουμε τον αλγόριθμο K-NN, ο οποίος χρησιμοποιείται ευρέως για ταξινόμηση. Συζητήσαμε την βασική προσέγγιση πίσω από τον KNN, πώς λειτουργεί και τα πλεονεκτήματα και μειονεκτήματά του.

Ο αλγόριθμος KNN είναι ένας από τους πιο απλούς αλγορίθμους και μπορεί να δώσει πολύ επιθετικά αποτελέσματα. Οι αλγόριθμοι KNN μπορούν να χρησιμοποιηθούν και για προβλήματα ταξινόμησης και παλινδρόμησης.