คู่มือเร็วในการทำความเข้าใจ KNN Algorithm

ด้วยโลกธุรกิจที่นำเทคนิค Data Science มาใช้อย่างเข้มข้น ทำให้กลายเป็นหนึ่งในสาขาที่มีความต้องการสูง เราจะอธิบายว่า K-nearest neighbor algorithm คืออะไร และทำงานอย่างไร

อะไรคือ KNN Algorithm?

K-Nearest Neighbors algorithm (หรือ KNN) เป็นหนึ่งในอัลกอริทึมที่ใช้บ่อยที่สุดเนื่องจากความเรียบง่าย KNN หรือ K-nearest neighbor Algorithm เป็นอัลกอริทึมการเรียนรู้แบบมีคำสอนซึ่งทำงานบนหลักการที่จุดข้อมูลที่อยู่ใกล้กันจะอยู่ในกลุ่มเดียวกัน ความสมมติฐานพื้นฐานคือสิ่งที่อยู่ใกล้กันจะคล้ายกัน โดยทั่วไป KNN Algorithm จะใช้เนื่องจากความง่ายในการตีความและเวลาคำนวณที่ต่ำ

KNN ใช้กันอย่างแพร่หลายสำหรับปัญหาการจำแนกประเภทและ回帰ในเครื่องจักรเรียนรู้ ตัวอย่างของ KNN คืออัลกอริทึมที่ใช้โดยพอร์ทัลอีคอมเมิร์ซเพื่อแนะนำผลิตภัณฑ์ที่คล้ายกัน

มาทำความเข้าใจตัวอย่าง:

ในภาพที่กำหนด เรามีคลาสข้อมูลสองคลาส Class A แทนรูปสี่เหลี่ยมและ Class B แทนรูปสามเหลี่ยม

ปัญหา คือ การกำหนดจุดข้อมูลใหม่ให้อยู่ในหนึ่งในสองคลาสโดยใช้อัลกอริทึม KNN

ขั้นตอนแรก คือ การกำหนดค่าของ ‘K’ ซึ่งแสดงถึงจำนวนเพื่อนบ้านที่ใกล้ที่สุด

หากค่าของ “k” คือ 6 จะค้นหาเพื่อนบ้านที่ใกล้ที่สุด 6 คน หากค่าของ “k” คือ 5 จะค้นหาเพื่อนบ้านที่ใกล้ที่สุด 5 คน

ลองพิจารณา ‘K’ = 4 ซึ่งหมายความว่าอัลกอริทึมจะพิจารณาเพื่อนบ้าน 4 คนที่ใกล้ที่สุดกับจุดข้อมูล

ที่ ‘K’ = 4 สามารถมองเห็นรูปสามเหลี่ยมหนึ่งรูปและสี่เหลี่ยมสองรูปเป็นเพื่อนบ้านที่ใกล้ที่สุด ดังนั้น จุดข้อมูลใหม่ตาม ‘K’ = 4 จะถูกกำหนดให้อยู่ใน Class A

ใช้ KNN ที่ไหน?

KNN ใช้ในทั้งปัญหาการคาดการณ์แบบจำแนกประเภทและแบบ回帰 อย่างไรก็ตาม เมื่อใช้เพื่อจุดประสงค์ทางอุตสาหกรรม ส่วนใหญ่จะใช้ในการจำแนกประเภทเนื่องจากมีประสิทธิภาพที่ดีในพารามิเตอร์ทั้งหมดที่ประเมินเมื่อกำหนดความสามารถในการใช้งานของเทคนิค

1. พลังในการคาดการณ์
2. เวลาในการคำนวณ
3. ความง่ายในการตีความผลลัพธ์

ใช้ KNN อย่างไรใน समसยามประจำวัน?

尽管ความเรียบง่าย KNN ทำงานได้ดีกว่าคลาสสิฟายเออร์ที่มีพลังอื่นๆ และใช้ในสถานที่ เช่น การคาดการณ์เศรษฐกิจ การบีบอัดข้อมูล การตระหนักรูปภาพ การตระหนักเสียงพูด และการตรวจจับลายมือ

การใช้ KNN ที่สำคัญ

KNN Algorithm ใช้ในระบบธนาคารเพื่อคาดการณ์ว่าบุคคลนั้นเหมาะสมที่จะอนุมัติสินเชื่อหรือไม่โดยการคาดการณ์ว่าเขามีลักษณะคล้ายกับบุคคลที่ผิดนัดชำระหนี้หรือไม่ KNN ยังช่วยในการคำนวณคะแนนเครดิตของบุคคลโดยการเปรียบเทียบกับบุคคลที่มีลักษณะคล้ายกัน

บริษัทที่ใช้ KNN

บริษัทส่วนใหญ่เช่น Amazon (AMZN ) หรือ Netflix (NFLX ) ใช้ KNN เมื่อแนะนำผลิตภัณฑ์ที่จะซื้อหรือภาพยนตร์/รายการโทรทัศน์ที่จะดู

พวกเขาทำการแนะนำเหล่านี้ได้อย่างไร? บริษัทเหล่านี้รวบรวมข้อมูลเกี่ยวกับการกระทำของผู้ใช้ เช่น ผลิตภัณฑ์ที่คุณซื้อมาแล้วหรือภาพยนตร์ที่คุณดูบนเว็บไซต์ของพวกเขา และใช้ KNN

บริษัทจะป้อนข้อมูลลูกค้าที่มีอยู่และเปรียบเทียบกับลูกค้าที่ซื้อผลิตภัณฑ์หรือดูภาพยนตร์ที่คล้ายกัน

ผลิตภัณฑ์และภาพยนตร์เหล่านั้นจะถูกแนะนำให้คุณขึ้นอยู่กับว่าอัลกอริทึมจำแนกประเภทข้อมูลจุดนั้นอย่างไร

ข้อดีและข้อเสียของ KNN

ข้อดีของ KNN

• การคำนวณที่รวดเร็ว
• อัลกอริทึมที่เรียบง่าย – ตีความได้ง่าย
• มีความยืดหยุ่น – มีประโยชน์สำหรับการจำแนกประเภทและ回帰
• ความแม่นยำสูง
• ไม่ต้องมีการสันนิษฐานเกี่ยวกับข้อมูล – ไม่ต้องสร้างแบบจำลองเพิ่มเติม

ข้อเสียของ KNN

• ความแม่นยำขึ้นอยู่กับคุณภาพของข้อมูล
• การคาดการณ์จะช้าลงเมื่อข้อมูลมีขนาดใหญ่
• ไม่เหมาะสมสำหรับชุดข้อมูลขนาดใหญ่
• ต้องจัดเก็บข้อมูลการฝึกทั้งหมด ดังนั้นจึงต้องใช้หน่วยความจำสูง
• อาจมีค่าใช้จ่ายในการคำนวณสูงเนื่องจากต้องจัดเก็บข้อมูลการฝึกทั้งหมด

ในบล็อกนี้ เราได้พยายามอธิบายอัลกอริทึม K-NN ซึ่งใช้กันอย่างแพร่หลายสำหรับการจำแนกประเภท เราได้พูดถึงแนวทางพื้นฐานเบื้องหลัง KNN วิธีการทำงาน และข้อดีและข้อเสีย

KNN Algorithm เป็นหนึ่งในอัลกอริทึมที่เรียบง่ายที่สุดและสามารถให้ผลลัพธ์ที่ดี KNN Algorithm สามารถใช้ได้ทั้งสำหรับการจำแนกประเภทและปัญหาการ回帰