K-Nearest Neighbors (k-NN) هي خوارزمية مستخدمة في التعلم الآلي وهي مهمة في علم البيانات. ويستند إلى فكرة التعلم القائم على المثيل، بهدف التنبؤ بفئة نقطة بيانات معينة من خلال النظر إلى أقرب جيران k لنقطة البيانات.
تعمل الخوارزمية أولاً عن طريق قياس المسافة بين نقطة البيانات المحددة وكل من أقرب جيرانها، والذي يمكن القيام به باستخدام مجموعة متنوعة من التقنيات مثل المسافة الإقليدية. بعد حساب المسافات، ستقوم الخوارزمية بعد ذلك بتحديد نقاط بيانات الجوار الأقرب k وتصنيف نقطة البيانات المعطاة بنفس تسمية الفئة مثل غالبية k-NNs.
ميزة هذه الخوارزمية هي أنها سهلة الفهم وفعالة إلى حد ما من حيث القوة الحسابية. كما أنه لا يتطلب الكثير من التدريب ولا يلزم إدخال البيانات في أي شكل محدد قبل استخدامها.
ومع ذلك، هناك بعض العيوب في خوارزمية k-NN. يمكن أن تكون معالجة مجموعات البيانات الكبيرة بطيئة، لأنها تحتاج إلى حساب المسافة بين نقطة البيانات المحددة وجيرانها لكل تكرار. بالإضافة إلى ذلك، يمكن رؤية k-NN على أنه يفرط في بيانات التدريب لأن تنبؤاته تعتمد بشكل كبير على أقرب نقاط البيانات.
باختصار، k-Nearest Neighbors (k-NN) هي خوارزمية بسيطة وفعالة تستخدم على نطاق واسع في التعلم الآلي. من خلال قياس المسافة بين نقطة بيانات معينة وأقرب جيرانها، تستطيع k-NN إجراء تنبؤات بناءً على فئة الأغلبية لهؤلاء الجيران. ومع ذلك، يمكن أن تكون k-NN أيضًا عرضة لتجاوز بيانات التدريب ويمكن أن تكون بطيئة في مجموعات البيانات الكبيرة.
