K-Nearest Neighbors (KNN)

K-En Yakın Komşu (KNN), hem sınıflandırma hem de regresyon görevleri için denetimli öğrenme alanında kullanılan güçlü ve sezgisel bir algoritmadır. Sadeligiyle öne çıkan KNN, eğitim aşamasında bir model oluşturmadığı veya parametreleri öğrenmediği için sıklıkla "tembel öğrenici" (lazy learner) olarak sınıflandırılır. Bunun yerine, tüm eğitim verisi setini ezberler ve yalnızca bir tahmin istendiğinde hesaplama yapar. Algoritmanın temel prensibi öznitelik benzerliğine dayanır: benzer özelliklere sahip veri noktalarının, çok boyutlu bir öznitelik uzayında birbirine yakın mesafelerde bulunduğunu varsayar.

Algoritma Nasıl Çalışır?#

K-Nearest Neighbors mekanizması, mesafe hesaplamalarıyla ilerler. Yeni bir sorgu noktası girildiğinde algoritma, yeni girdiye en yakın 'K' adet eğitim örneğini bulmak için kayıtlı veri setini tarar.

1. Mesafe Ölçümü: Sistem, sorgu noktası ile veritabanındaki diğer tüm noktalar arasındaki mesafeyi hesaplar. En yaygın metrik, noktalar arasındaki düz hat mesafesini ölçen Öklid mesafesi'dir. Veri türüne bağlı olarak Manhattan mesafesi (Taksi geometrisi) veya Minkowski mesafesi gibi diğer metrikler de kullanılabilir.

2. Komşu Seçimi: Mesafeleri hesapladıktan sonra algoritma bunları sıralar ve en yakın 'K' girişi belirler.

3. Karar Verme: - Sınıflandırma İçin: Algoritma bir "çoğunluk oylaması" sistemi kullanır. K komşu arasında en sık görünen sınıf etiketi sorgu noktasına atanır. Bu, temel görüntü sınıflandırma görevlerinde yaygın olarak kullanılır. - Regresyon İçin: Tahmin, sürekli bir değişkeni tahmin etmek amacıyla K en yakın komşunun değerlerinin ortalaması alınarak hesaplanır.

Doğru 'K' Değerini Seçmek#

'K' için en uygun değeri seçmek, hiperparametre ayarı sürecinde kritik bir adımdır. K seçimi, modelin performansını ve yeni verilere genelleme yeteneğini önemli ölçüde etkiler.

• Düşük K Değeri: Küçük bir K (örn. K=1), modeli verideki gürültüye ve aykırı değerlere karşı son derece hassas hale getirir; bu da aşırı öğrenmeye (overfitting) yol açabilir.
• Yüksek K Değeri: Büyük bir K, karar sınırlarını düzleştirerek gürültünün etkisini azaltır ancak belirgin örüntüleri bulanıklaştırabilir; bu da eksik öğrenmeyle (underfitting) sonuçlanır.

Gerçek Dünya Uygulamaları#

Derin sinir ağlarına kıyasla sadeliğine rağmen KNN, özellikle gelişmiş öznitelik çıkarma teknikleriyle birleştirildiğinde modern yapay zekada son derece geçerliliğini korumaktadır.

• Öneri Sistemleri: KNN, medya akışı ve e-ticarette işbirlikçi filtrelemeyi kolaylaştırır. Benzer izleme geçmişine veya satın alma davranışlarına sahip kullanıcıları (komşuları) belirleyerek platformlar, "en yakın komşularının" tercihlerine dayanarak bir kullanıcının hoşlanabileceği ürünler önerebilir.
• Anomali Tespiti: Siber güvenlik ve finans alanında KNN, anomali tespiti için kullanılır. İşlemler veya ağ etkinlikleri bir öznitelik uzayında eşlenir; "normal" etkinliğin yoğun kümelerinden uzakta kalan her yeni veri noktası potansiyel dolandırıcılık veya güvenlik ihlali olarak işaretlenir.
• Görsel Arama: Modern vektör arama motorları, YOLO26 gibi modeller tarafından oluşturulan yüksek boyutlu gömmelere (embeddings) dayanarak benzer görüntüleri hızlı bir şekilde elde etmek için genellikle KNN'nin optimize edilmiş bir çeşidi olan Yaklaşık En Yakın Komşu (ANN) algoritmalarına güvenir.

Zorluklar ve Hususlar#

Etkili olmasına rağmen KNN, boyutun laneti (curse of dimensionality) ile karşı karşıyadır. Özellik (boyut) sayısı arttıkça veri noktaları seyrelir ve mesafe metrikleri etkinliğini kaybeder. Ek olarak, tüm eğitim verilerini sakladığı için KNN bellek yoğun olabilir ve büyük veri setlerinde yüksek çıkarım gecikmesinden (inference latency) muzdarip olabilir. Bunu ele almak için uygulayıcılar genellikle Temel Bileşen Analizi (PCA) gibi boyut indirgeme tekniklerini kullanarak verileri önceden işler veya aramayı hızlandırmak için KD-Trees gibi özel veri yapıları kullanır. Veri setlerinin kurumsal düzeyde ölçeklendirilmesi ve model eğitimi için Ultralytics Platform kullanmak, karmaşık verileri önceden işlemek için gereken hesaplama kaynaklarını yönetmeye yardımcı olabilir.

KNN ve K-Means Arasındaki Farklar#

K-En Yakın Komşu algoritmasını K-Means kümelemesinden ayırmak önemlidir, çünkü benzer isimleri sıklıkla kafa karışıklığına yol açar.

• KNN, tahmin yapmak için etiketli verileri kullanan denetimli bir öğrenme algoritmasıdır.
• K-Means, etiketlenmemiş verileri yapısal benzerliklere göre kümelere ayırmak için kullanılan bir denetimsiz öğrenme algoritmasıdır.

Uygulama Örneği#

Aşağıdaki kod parçacığı, popüler Scikit-learn kütüphanesini kullanan basit bir KNN sınıflandırma iş akışını göstermektedir. Bilgisayarlı görü bağlamında, girdideki "öznitelikler" tipik olarak KNN sınıflandırıcısına aktarılmadan önce YOLO26 gibi bir derin öğrenme modeli tarafından çıkarılır.

from sklearn.neighbors import KNeighborsClassifier

# Simulated feature vectors (e.g., extracted from YOLO26) and labels
# Features: [Size, Redness], Labels: 0=Apple, 1=Orange
features = [[0.8, 0.9], [0.9, 0.8], [0.2, 0.3], [0.3, 0.2]]
labels = [0, 0, 1, 1]

# Initialize KNN with 3 neighbors
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(features, labels)

# Predict the class of a new object [Size=0.85, Redness=0.85]
prediction = knn.predict([[0.85, 0.85]])
print(f"Predicted Class: {prediction[0]} (0=Apple, 1=Orange)")