K-Nearest Neighbors (KNN)

K-Nearest Neighbors (KNN), hem sınıflandırma hem de regresyon görevleri için denetimli öğrenme alanında kullanılan sağlam ve sezgisel bir algoritmadır. Basitliği ile ayırt edilen KNN, eğitim aşamasında bir model oluşturmadığı veya parametre öğrenmediği için genellikle "tembel öğrenici" (lazy learner) olarak sınıflandırılır. Bunun yerine, tüm eğitim verisi setini ezberler ve yalnızca bir tahmin istendiğinde hesaplama yapar. Algoritmanın temel prensibi özellik benzerliğine dayanır: benzer özniteliklere sahip veri noktalarının çok boyutlu bir özellik uzayında birbirine yakın konumda olduğunu varsayar.

Link to this sectionAlgoritma 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 her nokta arasındaki mesafeyi hesaplar. En yaygın metrik, noktalar arasındaki düz çizgi mesafesini ölçen Öklid mesafesi dir. Veri türüne bağlı olarak Manhattan mesafesi (Taksi geometrisi) veya Minkowski mesafesi gibi diğer metrikler 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 yöntem, temel görüntü sınıflandırma görevlerinde yaygın olarak kullanılır. - Regresyon İçin: Tahmin, sürekli bir değişkeni kestirmek amacıyla K en yakın komşunun değerlerinin ortalaması alınarak hesaplanır.

Link to this sectionDoğru 'K' Değerini Seçmek#

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

• Düşük K Değeri: Küçük bir K (örneğin, K=1) modeli verideki gürültüye ve aykırı değerlere karşı oldukça hassas hale getirir; bu da aşırı öğrenmeye yol açabilir.
• Yüksek K Değeri: Büyük bir K, karar sınırlarını yumuşatarak gürültünün etkisini azaltır ancak belirgin desenleri bulanıklaştırabilir ve bu da yetersiz öğrenmeye neden olabilir.

Link to this sectionGerçek Dünya Uygulamaları#

Derin sinir ağlarına kıyasla basitliğine rağmen KNN, özellikle gelişmiş öznitelik çıkarımı teknikleriyle birleştirildiğinde modern yapay zekada oldukça geçerli olmaya devam etmektedir.

• Öneri Sistemleri: KNN, medya akışı ve e-ticarette işbirlikçi filtreleme süreçlerini kolaylaştırır. Benzer izleme geçmişine veya satın alma davranışlarına (komşular) sahip kullanıcıları tanımlayarak platformlar, "en yakın komşularının" tercihlerine dayanarak kullanıcının hoşuna gitmesi muhtemel ürünleri önerebilir.
• Anomali Tespiti: Siber güvenlik ve finansta KNN, anomali tespiti için kullanılır. İşlemler veya ağ etkinlikleri bir özellik uzayında haritalanır; "normal" etkinliklerin yoğun kümelerinden uzakta kalan herhangi bir yeni veri noktası, olası bir dolandırıcılık veya güvenlik ihlali olarak işaretlenir.
• Visual Search: Modern vector search engines often rely on Approximate Nearest Neighbor (ANN) algorithms—an optimized variation of KNN—to rapidly retrieve similar images based on high-dimensional embeddings generated by models like YOLO26.

Link to this sectionZorluklar ve Hususlar#

While effective, KNN faces the curse of dimensionality. As the number of features (dimensions) increases, data points become sparse, and distance metrics lose their effectiveness. Additionally, because it stores all training data, KNN can be memory-intensive and suffer from high inference latency on large datasets. To address this, practitioners often preprocess data using dimensionality reduction techniques like Principal Component Analysis (PCA) or use specialized data structures like KD-Trees to speed up the search. For enterprise-grade scaling of datasets and model training, utilizing the Ultralytics Platform can help manage the compute resources required for preprocessing complex data.

Link to this sectionKNN ve K-Means Arasındaki Farklar#

Benzer isimleri kafa karışıklığına yol açabildiği için K-Nearest Neighbors ile K-Means kümeleme yöntemini birbirinden ayırmak önemlidir.

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

Link to this sectionUygulama Örneği#

Aşağıdaki kod parçacığı, popüler Scikit-learn kütüphanesini kullanarak basit bir KNN sınıflandırma iş akışını göstermektedir. Bilgisayarlı görü bağlamında, giriş "özellikleri" tipik olarak YOLO26 gibi bir derin öğrenme modeli tarafından çıkarılır ve ardından KNN sınıflandırıcısına aktarılır.

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)")