خوارزمية أقرب جار K (KNN)

K-Nearest Neighbors (KNN) هي خوارزمية تعلم مُشرف أساسية تُستخدم لمهام التصنيف والانحدار. تعتبر خوارزمية قائمة على الحالات أو "التعلم الكسول" لأنها لا تبني نموذجًا خلال مرحلة بيانات التدريب. بدلاً من ذلك، تقوم بتخزين مجموعة البيانات بأكملها وتقديم التنبؤات من خلال إيجاد 'K' من الحالات الأكثر تشابهًا (الجيران) في البيانات المخزنة. الفكرة الأساسية هي أن نقاط البيانات المتشابهة موجودة على مقربة من بعضها البعض. بالنسبة لنقطة بيانات جديدة وغير مصنفة، تحدد KNN أقرب جيرانها وتستخدم تسمياتهم لتحديد تصنيفها أو قيمتها.

كيف يعمل KNN؟

تعمل خوارزمية KNN على مبدأ بسيط من التشابه، وعادة ما يتم قياسه بواسطة مقياس المسافة. الأكثر شيوعًا هو مسافة إقليدس، على الرغم من إمكانية استخدام مقاييس أخرى اعتمادًا على مجموعة البيانات.

عملية إجراء التنبؤ واضحة ومباشرة:

1. اختر قيمة K: عدد الجيران (K) المراد النظر فيه هو معامل فائق حرج. يمكن أن يؤثر اختيار K بشكل كبير على أداء النموذج.
2. حساب المسافات: بالنسبة لنقطة بيانات جديدة، تحسب الخوارزمية المسافة بينها وبين كل نقطة أخرى في مجموعة بيانات التدريب.
3. تحديد الجيران: يحدد نقاط البيانات K من مجموعة التدريب الأقرب إلى النقطة الجديدة. هؤلاء هم "أقرب الجيران".
4. إجراء تنبؤ:
   • بالنسبة إلى مهام التصنيف، تقوم الخوارزمية بإجراء تصويت بالأغلبية. يتم تعيين نقطة البيانات الجديدة للفئة الأكثر شيوعًا بين أقرب K من الجيران. على سبيل المثال، إذا كانت K=5 وكان ثلاثة جيران من الفئة A واثنان من الفئة B، فسيتم تصنيف النقطة الجديدة على أنها الفئة A.
   • بالنسبة إلى مهام الانحدار، تحسب الخوارزمية متوسط قيم أقرب K من الجيران. يصبح هذا المتوسط القيمة المتوقعة لنقطة البيانات الجديدة.

تطبيقات واقعية

إن بساطة KNN وطبيعته البديهية تجعله مفيدًا في مختلف التطبيقات، خاصة كنموذج أساسي.

• أنظمة التوصية: KNN هو خيار شائع لبناء محركات التوصية. على سبيل المثال، يمكن لخدمة البث أن توصي بأفلام لمستخدم ما عن طريق تحديد المستخدمين الآخرين (الجيران) الذين لديهم سجلات مشاهدة مماثلة. ثم يتم التوصية بالأفلام التي استمتع بها هؤلاء الجيران، والتي لم يرها المستخدم المستهدف. هذه التقنية هي شكل من أشكال التصفية التعاونية.
• الخدمات المالية: في مجال التمويل، يمكن استخدام KNN لتقييم الجدارة الائتمانية. من خلال مقارنة طالب قرض جديد بقاعدة بيانات لمقدمي الطلبات السابقين الذين لديهم نتائج ائتمانية معروفة، يمكن للخوارزمية التنبؤ بما إذا كان من المحتمل أن يتخلف مقدم الطلب الجديد عن السداد. الجيران هم مقدمو الطلبات السابقون الذين لديهم ملفات تعريف مالية مماثلة (مثل العمر والدخل ومستوى الديون)، ويبلغ تاريخ التخلف عن السداد الخاص بهم بالتنبؤ. يساعد هذا في أتمتة تقييمات المخاطر الأولية.

KNN مقابل المفاهيم ذات الصلة

من المهم التمييز بين خوارزمية KNN وخوارزميات تعلم الآلة الشائعة الأخرى:

• تجميع K-Means: في حين أن الأسماء متشابهة، إلا أن وظائفها مختلفة تمامًا. K-Means هي خوارزمية تعلم غير خاضع للإشراف تستخدم لتقسيم البيانات إلى K من المجموعات الفرعية المتميزة وغير المتداخلة (المجموعات). على النقيض من ذلك، KNN هي خوارزمية خاضعة للإشراف تستخدم للتنبؤ بناءً على البيانات المسماة.
• آلة المتجهات الداعمة (SVM): SVM هي خوارزمية خاضعة للإشراف تسعى إلى إيجاد أفضل مستوى فائق ممكن يفصل بين الفئات المختلفة في فضاء الميزات. في حين أن KNN تتخذ قرارات بناءً على تشابه الجوار المحلي، فإن SVM تهدف إلى إيجاد حدود مثالية عالمية، مما يجعلها مختلفة جوهريًا في نهجها. يمكن العثور على مزيد من التفاصيل في صفحة Scikit-learn SVM.
• أشجار القرار: تصنف شجرة القرار البيانات عن طريق إنشاء نموذج لقرارات هرمية قائمة على القواعد. ينتج عن هذا هيكل يشبه الشجرة، في حين أن KNN يعتمد على التشابه القائم على المسافة دون تعلم قواعد صريحة. يمكنك معرفة المزيد في وثائق أشجار القرار الخاصة بـ Scikit-learn.

في حين أن KNN هي أداة قيمة لفهم مفاهيم التعلم الآلي الأساسية ولاستخدامها في مجموعات البيانات الأصغر حجمًا والمنظمة جيدًا، إلا أنها يمكن أن تكون مكلفة حسابيًا للاستدلال في الوقت الفعلي مع البيانات الضخمة. بالنسبة لمهام الرؤية الحاسوبية المعقدة مثل اكتشاف الأجسام في الوقت الفعلي، يفضل استخدام نماذج أكثر تقدمًا مثل Ultralytics YOLO لسرعتها ودقتها الفائقة. يمكن تدريب هذه النماذج ونشرها بسهولة باستخدام منصات مثل Ultralytics HUB.