নিকটতম প্রতিবেশী নিয়মটি প্রায়শই উচ্চ কার্যকারিতা তৈরি করে, যে বরাদ্দটি থেকে প্রশিক্ষণের উদাহরণগুলি আঁকা হয় সে সম্পর্কে পূর্বের অনুমান ছাড়াই। এটি ইতিবাচক এবং নেতিবাচক উভয় ক্ষেত্রেই একটি প্রশিক্ষণ সেট অন্তর্ভুক্ত করে। একটি নতুন নমুনা সুবিধাজনক প্রশিক্ষণ ক্ষেত্রে দূরত্ব গণনা দ্বারা সংজ্ঞায়িত করা হয়; সেই বিন্দুর চিহ্ন তারপর নমুনার শ্রেণীবিভাগ নির্ধারণ করে।
k-NN ক্লাসিফায়ার k নিকটতম বিন্দু গ্রহণ করে এবং সংখ্যাগরিষ্ঠের চিহ্ন তৈরি করে এই ধারণাটিকে বাড়িয়ে তোলে। বন্ধন (সাধারণত 1, 3, বা 5) ভাগ করার জন্য k ছোট এবং বিজোড় বেছে নেওয়া প্রায়শই হয়। বৃহত্তর k মানগুলি প্রশিক্ষণ ডেটা সেটের ভিতরে গোলমাল বিন্দুর প্রভাব কমাতে সাহায্য করে এবং k-এর পছন্দ ক্রস-ভ্যালিডেশনের মাধ্যমে বাস্তবায়িত হয়৷
নিকটতম-প্রতিবেশীর বেশ কয়েকটি বৈশিষ্ট্য রয়েছে যা নিম্নরূপ -
নিকটতম-প্রতিবেশী শ্রেণিবিন্যাস হল আরও সাধারণ পদ্ধতির একটি উপাদান যাকে উদাহরণ-ভিত্তিক শিক্ষা বলা হয়। ডেটা থেকে প্রাপ্ত একটি বিমূর্ততা (বা মডেল) সমর্থন না করেই ভবিষ্যদ্বাণী তৈরি করার জন্য এটির নির্দিষ্ট প্রশিক্ষণের উদাহরণ প্রয়োজন৷
দৃষ্টান্ত-ভিত্তিক শিক্ষার অ্যালগরিদমগুলির মধ্যে দৃষ্টান্তগুলির মধ্যে সাদৃশ্য বা দূরত্ব নির্ধারণের জন্য একটি প্রক্সিমিটি পরিমাপের প্রয়োজন এবং একটি শ্রেণীবিভাগ ফাংশন যা একটি পরীক্ষার উদাহরণের পূর্বাভাসিত শ্রেণীটিকে অন্যান্য দৃষ্টান্তের নৈকট্যের উপর নির্ভর করে পুনরুদ্ধার করে৷
নিকটতম-প্রতিবেশী ক্লাসিফায়ার সহ অলস শিক্ষার্থীদের মডেল বিল্ডিংয়ের প্রয়োজন নেই। কিন্তু একটি পরীক্ষার উদাহরণ সংজ্ঞায়িত করা বেশ সস্তা হতে পারে কারণ এটি পরীক্ষা এবং প্রশিক্ষণ উদাহরণগুলির মধ্যে পৃথকভাবে প্রক্সিমিটি মানগুলি গণনা করা প্রয়োজন৷ বিপরীতে, আগ্রহী শিক্ষার্থীরা মডেল বিল্ডিংয়ের জন্য তাদের কম্পিউটিং সংস্থানগুলির সংখ্যা ব্যয় করে। যেহেতু একটি মডেল তৈরি করা হয়েছে, একটি পরীক্ষার উদাহরণ সংজ্ঞায়িত করা সম্পূর্ণ দ্রুত৷
৷নিকটতম-প্রতিবেশী শ্রেণিবিন্যাসকারীরা স্থানীয় ডেটার উপর নির্ভর করে তাদের ভবিষ্যদ্বাণী তৈরি করে, যেখানে সিদ্ধান্ত গাছ এবং নিয়ম-ভিত্তিক শ্রেণিবিন্যাসকারীরা একটি বিশ্বব্যাপী মডেল আবিষ্কার করার চেষ্টা করে যা পুরো ইনপুট স্থানের সাথে খাপ খায়। শ্রেণীবিভাগের সিদ্ধান্ত স্থানীয়ভাবে তৈরি হওয়ার কারণে, নিকটতম-প্রতিবেশী শ্রেণিবিন্যাসকারীরা শব্দ দ্বারা প্রভাবিত হয়।
নিকটতম-প্রতিবেশী শ্রেণিবিন্যাসকারীরা নির্বিচারে আকৃতির সিদ্ধান্তের সীমানা তৈরি করতে পারে। এই ধরনের সীমানা আরও গতিশীল মডেল উপস্থাপনাকে সমর্থন করে যা সিদ্ধান্ত বৃক্ষ এবং নিয়ম-ভিত্তিক শ্রেণীবিভাগ থেকে পৃথক করা হয় যেগুলিকে রেক্টিলাইনার সিদ্ধান্তের সীমারেখায় বাধ্য করা হয়।
উপযুক্ত নৈকট্য পরিমাপ এবং ডেটা প্রিপ্রসেসিং পর্যায়গুলি গ্রহণ করা না হলে নিকটতম-প্রতিবেশী শ্রেণিবদ্ধকারীরা মিথ্যা ভবিষ্যদ্বাণী করতে পারে। উদাহরণস্বরূপ, বিবেচনা করুন যে উচ্চতা (মিটারে পরিমাপ করা) এবং ওজন (পাউন্ডে পরিমাপ করা) এর মতো বৈশিষ্ট্যগুলির উপর ভিত্তি করে মানুষের একটি সেট সংজ্ঞায়িত করা প্রয়োজন।
উচ্চতা বৈশিষ্ট্যের একটি কম পরিবর্তনশীলতা রয়েছে, 1.5 মিটার থেকে 1.85 মিটার পর্যন্ত, যেখানে ওজন বৈশিষ্ট্যটি 90 পাউন্ড থেকে 250 পাউন্ড পর্যন্ত পরিবর্তিত হতে পারে৷ যদি অ্যাট্রিবিউটগুলির স্কেলটি প্রয়োগের মধ্যে নেওয়া না হয়, তাহলে প্রক্সিমিটি পরিমাপ দ্বারা প্রভাবিত হতে পারে একজন ব্যক্তির ওজনের পার্থক্য।
