인공 지능
KNN 알고리즘 이해를 위한 빠른 가이드
비즈니스 세계가 적극적으로 채택함에 따라 데이터 과학, 그것은 가장 많이 찾는 분야 중 하나가되었습니다. K-최근접 이웃 알고리즘이 무엇이며 어떻게 작동하는지 설명합니다.
KNN 알고리즘이란?
K-최근접 이웃 알고리즘 (또는 KNN)은 단순성으로 인해 가장 많이 사용되는 학습 알고리즘 중 하나입니다. KNN 또는 K-최근접 이웃 알고리즘은 서로 가까이 있는 모든 데이터 포인트가 동일한 클래스에 속한다는 원칙에 따라 작동하는 지도 학습 알고리즘입니다. 여기서 기본 가정은 서로 가까이 있는 것들은 서로 같다는 것입니다. KNN 알고리즘은 해석이 쉽고 계산 시간이 짧기 때문에 주로 사용됩니다.
KNN은 기계 학습의 분류 및 회귀 문제에 널리 사용됩니다. KNN의 몇 가지 예는 전자상거래 포털에서 유사한 제품을 추천하기 위해 사용하는 알고리즘입니다.
예를 검토해 보겠습니다.
주어진 이미지에는 두 가지 데이터 클래스가 있습니다. 사각형을 나타내는 클래스 A와 삼각형을 나타내는 클래스 B.
문제는 KNN 알고리즘을 사용하여 두 클래스 중 하나에 새로운 입력 데이터 포인트를 할당하는 것입니다.
첫 번째 단계는 Nearest Neighbors의 수를 나타내는 'K' 값을 정의하는 것입니다.
"k" 값이 6이면 해당 데이터 포인트에 가장 가까운 6개의 이웃을 찾고 "k" 값이 5이면 해당 데이터 포인트에 가장 가까운 5개의 이웃을 찾습니다.
알고리즘이 데이터 포인트에 가장 가까운 4개의 이웃을 고려함을 의미하는 'K' = XNUMX를 고려해 봅시다.
이제 'K' = 4에서 삼각형 하나와 사각형 두 개를 가장 가까운 이웃으로 볼 수 있습니다. 따라서 'K' = 4를 기반으로 하는 새 데이터 포인트는 클래스 A에 할당됩니다.
KNN은 어디에 사용하나요?
KNN은 분류 및 회귀 예측 문제 모두에 사용됩니다. 그러나 산업적 목적으로 적용할 경우 기술의 유용성을 판단할 때 평가되는 모든 매개변수에 대해 공정하기 때문에 대부분 분류에 사용됩니다.
- 예측력
- 계산 시간
- 출력 해석 용이
일상적인 문제에 어떻게 사용됩니까?
단순함에도 불구하고 KNN은 다른 강력한 분류기보다 훨씬 더 잘 작동하며 경제 예측, 데이터 압축, 비디오 인식, 이미지 인식, 필기 감지 및 음성 인식과 같은 장소에서 사용됩니다.
KNN 알고리즘의 일부 주요 용도
KNN 알고리즘은 은행 시스템에서 어떤 사람이 채무 불이행자와 유사한 특성을 가지고 있는지 예측하여 대출 승인에 적합한지 여부를 예측하는 데 사용됩니다. KNN은 또한 유사한 특성을 가진 사람들과 비교하여 개인의 신용 점수를 계산하는 데 도움이 됩니다.
KNN을 사용하는 기업
Amazon이나 Netflix와 같은 대부분의 전자 상거래 및 엔터테인먼트 회사는 구매할 제품이나 시청할 영화/쇼를 추천할 때 KNN을 사용합니다.
그들은 어떻게 이러한 권장 사항을 제시합니까? 글쎄, 이 회사들은 당신이 구매한 이전 제품이나 웹사이트에서 본 영화와 같은 사용자 행동에 대한 데이터를 수집하고 KNN을 적용합니다.
회사는 사용 가능한 고객 데이터를 입력하고 유사한 제품을 구입했거나 유사한 영화를 본 다른 고객과 비교합니다.
그러면 알고리즘이 해당 데이터 요소를 분류하는 방법에 따라 제품과 영화가 추천됩니다.
KNN의 장점과 단점
KNN의 장점
- 빠른 계산
- 간단한 알고리즘 – 해석
- 다목적 – 분류 및 회귀에 유용
- 고정밀
- 데이터에 대한 가정이 없습니다. 추가 가정을 하거나 모델을 구축할 필요가 없습니다.
KNN의 단점
- 정확성은 데이터의 품질에 달려 있습니다.
- 데이터가 크면 예측이 느려집니다.
- 대규모 데이터 세트와 관련이 없음
- 모든 학습 데이터를 저장해야 하므로 높은 메모리가 필요합니다.
- 모든 훈련을 저장하기 때문에 계산 비용이 많이 들 수 있습니다.
이 블로그에서는 분류에 널리 사용되는 K-NN 알고리즘에 대해 설명하려고 노력했습니다. 우리는 KNN의 기본 접근 방식, 작동 방식, 장단점에 대해 논의했습니다.
KNN 알고리즘은 가장 간단한 알고리즘 중 하나이며 매우 공격적인 결과를 제공할 수 있습니다. KNN 알고리즘은 분류 및 회귀 문제 모두에 사용할 수 있습니다.
