Qué es k-NN
Comencemos nuestra aventura en la clasificación con la tarea más sencilla: clasificación binaria. Supongamos que queremos clasificar dulces como galletas/no galletas basándonos en una única característica: su peso.
Una forma sencilla de predecir la clase de una nueva instancia es observar su vecino más cercano. En nuestro ejemplo, debemos encontrar el dulce cuyo peso sea más similar al de la nueva instancia.
Esa es la idea detrás de k-Nearest Neighbors (k-NN) - simplemente observamos a los vecinos. El algoritmo k-NN asume que las cosas similares existen en proximidad cercana. En otras palabras, las cosas similares están cerca unas de otras. k en k-NN representa el número de vecinos que consideramos al hacer una predicción.
En el ejemplo anterior, consideramos solo 1 vecino, por lo que era 1-Vecino Más Cercano. Sin embargo, normalmente k se establece en un número mayor, ya que observar solo un vecino puede ser poco confiable:
Si k (número de vecinos) es mayor que uno, se elige la clase más frecuente en el vecindario como predicción. Aquí tienes un ejemplo de predicción de dos nuevas instancias con k=3:
Como puedes ver, cambiar el valor de k puede producir predicciones diferentes.
Ocasionalmente, k-NN produce un empate cuando varias clases aparecen con la misma frecuencia entre los vecinos más cercanos. La mayoría de las bibliotecas, incluyendo scikit-learn, resuelven los empates eligiendo la primera clase en su orden interno; esto es importante tenerlo en cuenta, ya que puede afectar sutilmente la reproducibilidad y la interpretación.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Can you explain how to choose the best value for k in k-NN?
What are the advantages and disadvantages of using k-NN for classification?
Can you give a real-world example where k-NN would be useful?
Awesome!
Completion rate improved to 4.17Qué es k-NN
Desliza para mostrar el menú
Comencemos nuestra aventura en la clasificación con la tarea más sencilla: clasificación binaria. Supongamos que queremos clasificar dulces como galletas/no galletas basándonos en una única característica: su peso.
Una forma sencilla de predecir la clase de una nueva instancia es observar su vecino más cercano. En nuestro ejemplo, debemos encontrar el dulce cuyo peso sea más similar al de la nueva instancia.
Esa es la idea detrás de k-Nearest Neighbors (k-NN) - simplemente observamos a los vecinos. El algoritmo k-NN asume que las cosas similares existen en proximidad cercana. En otras palabras, las cosas similares están cerca unas de otras. k en k-NN representa el número de vecinos que consideramos al hacer una predicción.
En el ejemplo anterior, consideramos solo 1 vecino, por lo que era 1-Vecino Más Cercano. Sin embargo, normalmente k se establece en un número mayor, ya que observar solo un vecino puede ser poco confiable:
Si k (número de vecinos) es mayor que uno, se elige la clase más frecuente en el vecindario como predicción. Aquí tienes un ejemplo de predicción de dos nuevas instancias con k=3:
Como puedes ver, cambiar el valor de k puede producir predicciones diferentes.
Ocasionalmente, k-NN produce un empate cuando varias clases aparecen con la misma frecuencia entre los vecinos más cercanos. La mayoría de las bibliotecas, incluyendo scikit-learn, resuelven los empates eligiendo la primera clase en su orden interno; esto es importante tenerlo en cuenta, ya que puede afectar sutilmente la reproducibilidad y la interpretación.
¡Gracias por tus comentarios!
