K auzokide hurbilenak

Ikasketa automatikoa eta Datu-meatzaritza
Problemak Classification Multzokatzea Erregresioa Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction
Ikasketa gainbegiratua Zuhaitzak Ensembles Bagging Boosting Random forest k-NN Karratu txikienen erregresio zuzen Naive Bayes Neurona-sareak Erregresio logistiko Perceptron Relevance vector machine (RVM) (SVM)
Multzokatzea BIRCH CURE Hierarkikoa k-means Expectation–maximization (EM)
Dimensionality reduction Faktore-analisi Korrelazio kanoniko ICA LDA NMF PCA t-SNE
Structured prediction Graphical models Bayes net Conditional random field Hidden Markov
Anomaly detection k-NN Local outlier factor
Neurona-sare artifizial Autoencoder Ikaskuntza sakon DeepDream Multilayer perceptron RNN LSTM GRU) Restricted Boltzmann machine SOM Convolutional neural network U-Net
Reinforcement learning Q-learning SARSA Temporal difference (TD)
Theory Bias-variance dilemma Computational learning theory Empirical risk minimization Occam learning PAC learning Statistical learning VC theory
Machine-learning venues NIPS ICML ML JMLR ArXiv:cs.LG
Glossary of artificial intelligence Glossary of artificial intelligence
Related articles List of datasets for machine-learning research Outline of machine learning
Txantiloi:Portal-inline
i e a

k auzokide hurbilenen metodoa (ingelesez: k-nearest neighbors edo K-NN) datu-meatzaritzan eta ikasketa automatikoan sailkapen gainbegiratua egiteko metodo bat da. Entrenamendurako kasuen artean, k auzokide hurbilenetan oinarritzen da kasu berrien sailkapena egiteko. Hurbileneko k auzokideen klase-aldagaiaren balioa aztertu eta sarrien agertzen den klasea esleitzen zaio kasu berriari.

k-NN algoritmoak ikasketa nagia edo alferra (lazy learning) egiten duela esaten da, ez duelako eredu bat induzitzen ikasketa-fasean; entrenamendurako datu-basetik eredu bat sortu beharrean, datu-base berarekin egiten da kasu berriaren klase-aldagaiaren iragarpena test-fasean.

Metodoa sinplea eta intuitiboa da; distantzien kalkuluan oinarritzen da. Algoritmoaren bertsiorik sinpleenean k auzokide hurbilenen klaseei tratamendu bera ematen zaie, baina badira algoritmoaren aldaera desberdinak auzokideen artean bereizketa egiteko, kasu berrira duten distantziaren arabera garrantzia maila desberdina emateko, adibidez^[1].

1. ↑ (gazteleraz) Sierra Araujo, B. Aprendizaje automático : conceptos básicos y avanzados : aspectos prácticos utilizando el software WEKA. Pearson 2006 ISBN 84-8322-318-X. PMC 629686982. (Noiz kontsultatua: 2019-12-23).