Panduan Cepat untuk Memahami Algoritma KNN

Dengan dunia bisnis yang agresif mengadopsi Data Science, itu telah menjadi salah satu bidang yang paling dicari. Kami menjelaskan apa itu algoritma K-nearest neighbor dan bagaimana cara kerjanya.

Apa itu Algoritma KNN?

Algoritma K-Nearest Neighbors (atau KNN) adalah salah satu algoritma pembelajaran yang paling banyak digunakan karena kesederhanaannya. KNN atau Algoritma K-nearest neighbor adalah algoritma pembelajaran yang diawasi yang bekerja berdasarkan prinsip bahwa setiap titik data yang jatuh dekat dengan yang lain masuk dalam kelas yang sama. Asumsi dasar di sini adalah bahwa hal-hal yang dekat dengan yang lain, mirip dengan yang lain. Biasanya, Algoritma KNN digunakan karena kemudahan interpretasinya dan waktu perhitungan yang rendah.

KNN secara luas digunakan untuk masalah klasifikasi dan regresi dalam pembelajaran mesin. Beberapa contoh KNN adalah algoritma yang digunakan oleh portal e-commerce untuk merekomendasikan produk yang serupa.

Mari kita Tinjau Contoh:

Pada gambar yang diberikan, kita memiliki dua kelas data. Kelas A mewakili persegi dan Kelas B mewakili segitiga.

Masalahnya adalah untuk mengassign sebuah titik data baru ke salah satu dari dua kelas dengan menggunakan algoritma KNN

Langkah pertama adalah untuk mendefinisikan nilai ‘K’ yang merupakan jumlah Tetangga Terdekat.

Jika nilai ‘k’ adalah 6, maka akan mencari 6 Tetangga Terdekat dari titik data tersebut, jika nilai ‘k’ adalah 5, maka akan mencari 5 Tetangga Terdekat dari titik data tersebut.

Mari kita pertimbangkan ‘K’ = 4 yang berarti bahwa algoritma akan mempertimbangkan empat tetangga yang paling dekat dengan titik data.

Sekarang, pada ‘K’ = 4, satu segitiga dan dua persegi dapat dilihat sebagai tetangga terdekat. Jadi, titik data baru berdasarkan ‘K’ = 4, akan diassign ke Kelas A.

Di Mana KNN Digunakan?

KNN digunakan dalam klasifikasi dan regresi prediktif. Namun, ketika diterapkan untuk tujuan industri, biasanya digunakan dalam klasifikasi karena memiliki kemampuan yang baik di semua parameter yang dievaluasi ketika menentukan kelayakan suatu teknik.

1. Kekuatan Prediksi
2. Waktu Perhitungan
3. Kemudahan Menginterpretasikan Keluaran

Bagaimana KNN Digunakan dalam Masalah Sehari-Hari?

Meskipun kesederhanaannya, KNN bekerja lebih baik daripada klasifikasi yang lebih kuat dan digunakan di tempat-tempat seperti peramalan ekonomi, kompresi data, Pengenalan Video, Pengenalan Gambar, Deteksi Tulisan Tangan, dan Pengenalan Suara.

Beberapa Penggunaan Utama Algoritma KNN

Algoritma KNN digunakan dalam sistem perbankan untuk memprediksi apakah seseorang layak untuk disetujui pinjaman atau tidak dengan memprediksi apakah mereka memiliki karakteristik yang serupa dengan pengguna yang default. KNN juga membantu dalam menghitung skor kredit individu dengan membandingkannya dengan orang-orang yang memiliki karakteristik yang serupa.

Perusahaan yang Menggunakan KNN

Sebagian besar perusahaan e-commerce dan hiburan seperti Amazon (AMZN ) atau Netflix (NFLX ) menggunakan KNN ketika merekomendasikan produk untuk dibeli atau film/acara untuk ditonton.

Bagaimana mereka membuat rekomendasi tersebut? Nah, perusahaan-perusahaan tersebut mengumpulkan data tentang perilaku pengguna seperti produk yang telah dibeli sebelumnya atau film yang telah ditonton di situs web mereka dan menerapkan KNN.

Perusahaan akan memasukkan data pelanggan yang tersedia dan membandingkannya dengan pelanggan lain yang telah membeli produk yang serupa atau telah menonton film yang serupa.

Produk dan film akan kemudian direkomendasikan kepada Anda, tergantung pada bagaimana algoritma mengklasifikasikan titik data tersebut.

Kelebihan dan Kekurangan KNN

Kelebihan KNN

• Perhitungan Cepat
• Algoritma Sederhana – untuk diinterpretasikan
• Luas – berguna untuk klasifikasi dan regresi
• Akurasi Tinggi
• Tidak ada asumsi tentang data – tidak perlu membuat asumsi tambahan, atau membangun model.

Kekurangan KNN

• Akurasi tergantung pada kualitas data
• Prediksi menjadi lambat dengan data yang besar
• Tidak relevan untuk set data yang besar
• Perlu menyimpan semua data pelatihan, sehingga memerlukan memori yang tinggi
• Bisa menjadi mahal secara komputasi karena menyimpan semua data pelatihan

Dalam blog ini, kami telah mencoba menjelaskan algoritma K-NN yang secara luas digunakan untuk klasifikasi. Kami membahas pendekatan dasar di balik KNN, bagaimana cara kerjanya, dan kelebihan serta kekurangannya.

Algoritma KNN adalah salah satu algoritma yang paling sederhana dan dapat memberikan hasil yang sangat agresif. Algoritma KNN dapat digunakan baik untuk masalah klasifikasi dan regresi.