Un Guide Rapide pour Comprendre l’Algorithme KNN

Avec le monde des affaires adoptant agressivement la Science des Données, il est devenu l’un des domaines les plus recherchés. Nous expliquons ce qu’est l’algorithme K-Nearest Neighbors et comment il fonctionne.

Qu’est-ce que l’Algorithme KNN ?

L’algorithme K-Nearest Neighbors (ou KNN) est l’un des algorithmes d’apprentissage les plus utilisés en raison de sa simplicité. KNN ou l’algorithme K-Nearest Neighbors est un algorithme d’apprentissage supervisé qui fonctionne sur le principe que chaque point de données qui se trouve près les uns des autres appartient à la même classe. L’hypothèse de base est que les choses qui sont proches les unes des autres sont similaires. La plupart du temps, l’algorithme KNN est utilisé en raison de sa facilité d’interprétation et de son temps de calcul faible.

KNN est largement utilisé pour les problèmes de classification et de régression en apprentissage automatique. Quelques exemples de KNN sont les algorithmes utilisés par les portails de commerce électronique pour recommander des produits similaires.

Examinons un Exemple :

Dans l’image donnée, nous avons deux classes de données. La classe A représente des carrés et la classe B représente des triangles.

Le problème est d’attribuer un nouveau point de données à l’une des deux classes à l’aide de l’algorithme KNN

La première étape consiste à définir la valeur de « K » qui représente le nombre de plus proches voisins.

Si la valeur de « k » est 6, il recherchera 6 plus proches voisins de ce point de données, si la valeur de « k » est 5, il recherchera 5 plus proches voisins de ce point de données.

Considérons « K » = 4, ce qui signifie que l’algorithme considérera les quatre voisins les plus proches de ce point de données.

À « K » = 4, un triangle et deux carrés peuvent être vus comme les plus proches voisins. Le nouveau point de données, sur la base de « K » = 4, serait attribué à la classe A.

Où utiliser KNN ?

KNN est utilisé à la fois pour les problèmes de classification et de régression prédictifs. Cependant, lorsqu’il est appliqué à des fins industrielles, il est principalement utilisé pour la classification, car il présente de bons résultats sur tous les paramètres évalués lors de la détermination de l’utilité d’une technique.

1. Puissance de prédiction
2. Temps de calcul
3. Facilité d’interprétation de la sortie

Comment est-il employé dans les problèmes quotidiens ?

Malgré sa simplicité, KNN fonctionne mieux que d’autres classificateurs puissants et est utilisé dans des endroits tels que la prévision économique, la compression de données, la reconnaissance de vidéos, la reconnaissance d’images, la détection d’écriture et la reconnaissance de la parole.

Quelques utilisations majeures de l’algorithme KNN

L’algorithme KNN est utilisé dans le système bancaire pour prédire si une personne est apte à obtenir un prêt ou non en prédisant si elle présente des caractéristiques similaires à celles d’un défaillant. KNN aide également à calculer les scores de crédit des individus en les comparant à des personnes ayant des caractéristiques similaires.

Entreprises utilisant KNN

La plupart des entreprises de commerce électronique et de divertissement, comme Amazon (AMZN ) ou Netflix (NFLX ), utilisent KNN lorsqu’elles recommandent des produits à acheter ou des films/séries à regarder.

Comment font-elles ces recommandations ? Eh bien, ces entreprises collectent des données sur le comportement des utilisateurs, comme les produits que vous avez achetés ou les films que vous avez regardés sur leur site Web, et appliquent KNN.

Les entreprises saisiront vos données client disponibles et les compareront à celles d’autres clients qui ont acheté des produits similaires ou regardé des films similaires.

Les produits et les films seront alors recommandés en fonction de la façon dont l’algorithme classe ce point de données.

Avantages et inconvénients de KNN

Avantages de KNN

• Calcul rapide
• Algorithme simple – à interpréter
• Polyvalent – utile pour la classification et la régression
• Précision élevée
• Aucune hypothèse sur les données – pas besoin de faire des hypothèses supplémentaires ou de construire un modèle.

Inconvénients de KNN

• La précision dépend de la qualité des données
• La prédiction devient lente avec de grandes quantités de données
• Il n’est pas pertinent pour les grands ensembles de données
• Besoin de stocker toutes les données d’entraînement, ce qui nécessite une grande quantité de mémoire
• Il peut être coûteux en termes de calcul, car il stocke toutes les données d’entraînement

Dans ce blog, nous avons essayé d’expliquer l’algorithme K-NN, qui est largement utilisé pour la classification. Nous avons discuté de l’approche de base derrière KNN, de la façon dont il fonctionne et de ses avantages et inconvénients.

L’algorithme KNN est l’un des algorithmes les plus simples et peut donner des résultats très agressifs. Les algorithmes KNN peuvent être utilisés à la fois pour les problèmes de classification et de régression.