একটি k-নিকটবর্তী-প্রতিবেশী অ্যালগরিদম হল একটি শ্রেণিবিন্যাস পদ্ধতি যা শ্রেণি সদস্যপদ (Y) এবং পূর্বাভাসকারী X1-এর মধ্যে সম্পর্কের কাঠামো সম্পর্কে অনুমান তৈরি করে না , X2 ,... Xn .
এটি একটি ননপ্যারামেট্রিক পদ্ধতি কারণ এতে রৈখিক রিগ্রেশনে ভান করা রৈখিক ফর্ম সহ একটি ভান করা ফাংশন ফর্মের প্যারামিটারগুলির অনুমান থাকে না। এই পদ্ধতিটি ডেটাসেটে ডেটার ভবিষ্যদ্বাণীকারী মানের মধ্যে মিল থেকে ডেটা আঁকে।
কে-এনএন পদ্ধতির সুবিধা হল তাদের সততা এবং প্যারামেট্রিক অনুমানের প্রয়োজন। একটি বিশাল প্রশিক্ষণ সেটের উপস্থিতিতে, এই পদ্ধতিগুলি বিশেষভাবে ভাল কাজ করে, যখন প্রতিটি শ্রেণী ভবিষ্যদ্বাণীকারী মানগুলির বিভিন্ন সমন্বয় দ্বারা বৈশিষ্ট্যযুক্ত হয়৷
উদাহরণ স্বরূপ, রিয়েল-এস্টেট ডাটাবেসে, {বাড়ির ধরন, কক্ষের সংখ্যা, আশেপাশের এলাকা, মূল্য জিজ্ঞাসা করা ইত্যাদি} এর বেশ কয়েকটি সেট থাকতে পারে যেগুলি এমন বাড়িগুলিকে চিহ্নিত করে যা দ্রুত বিক্রি হয় বনাম যেগুলি উচ্চ সময়ের জন্য থাকে শিল্প।
কে-এনএন পদ্ধতির ক্ষমতার বাস্তবসম্মত শোষণের সাথে তিনটি অসুবিধা রয়েছে।
যদিও প্রশিক্ষণের ডেটা থেকে পরামিতি গণনা করার জন্য কোন সময়ের প্রয়োজন নেই (যেমনটি রিগ্রেশন সহ প্যারামেট্রিক মডেলের ক্ষেত্রে হবে), একটি বিশাল প্রশিক্ষণ সেটে নিকটতম প্রতিবেশীদের আবিষ্কার করার সময় সীমাবদ্ধ হতে পারে। এই অসুবিধা কাটিয়ে উঠতে একাধিক ধারণা বাস্তবায়িত হয়েছে। মূল ধারণাটি নিম্নরূপ -
-
এটি প্রধান উপাদান বিশ্লেষণের মতো মাত্রা হ্রাস কৌশল ব্যবহার করে একটি হ্রাস মাত্রায় কাজ করে দূরত্ব গণনা করার সময় কমাতে পারে৷
-
এটি নিকটতম প্রতিবেশীর সনাক্তকরণকে দ্রুততর করতে অনুসন্ধান গাছের মতো অত্যাধুনিক ডেটা স্ট্রাকচার ব্যবহার করতে পারে। এই পদ্ধতিটি প্রায়শই গতি বাড়ানোর জন্য একটি "প্রায় নিকটতম" প্রতিবেশীর জন্য স্থায়ী হয়। একটি উদাহরণ হল বালতি ব্যবহার করা, যেখানে ডেটাগুলিকে বালতিতে একত্রিত করা হয় যাতে প্রতিটি বাকেটের ভিতরের ডেটা একে অপরের কাছাকাছি থাকে৷
একাধিক ভবিষ্যদ্বাণীকারীর p এর সাথে তাত্পর্যপূর্ণভাবে বড় বৃদ্ধি হিসাবে যোগ্যতা অর্জনের জন্য প্রশিক্ষণে প্রয়োজনীয় একাধিক ডেটা। এর কারণ হল নিকটতম প্রতিবেশীর প্রত্যাশিত দূরত্ব p এর সাথে খারাপভাবে বেড়ে যায় যদি না প্রশিক্ষণ সেটের পরিমাণ p এর সাথে দ্রুতগতিতে বৃদ্ধি পায়। এই ঘটনাটিকে মাত্রিকতার অভিশাপ বলা হয়, যা কিছু শ্রেণীবিভাগ, ভবিষ্যদ্বাণী এবং ক্লাস্টারিং পদ্ধতির সাথে প্রাসঙ্গিক একটি মৌলিক সমস্যা।
k-NN হল একজন "অলস লার্নার" - সময়সাপেক্ষ গণনা ভবিষ্যদ্বাণীর সময় বিলম্বিত হয়। প্রতিটি ডেটা ভবিষ্যদ্বাণী করার জন্য, এটি শুধুমাত্র ভবিষ্যদ্বাণী করার সময় প্রশিক্ষণ ডেটার সম্পূর্ণ সেট থেকে তার দূরত্ব গণনা করতে পারে। এই আচরণটি একই সাথে একাধিক ডেটার রিয়েল-টাইম ভবিষ্যদ্বাণীর জন্য এই অ্যালগরিদম ব্যবহার করে বাধা দেয়৷
