k-Nearest Neighbors
Classificare in base agli esempi più vicini.
k-Nearest Neighbors è una lezione Data Science Academy gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Data Science Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Data Science Academy include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
Judged by Your Neighbors
k-Nearest Neighbors classifies a point by looking at the examples closest to it. Birds of a feather end up in the same class. 🐦
No Real Training
kNN is a lazy learner: it just memorizes the data. The real work happens later, when a new point asks for a label.
Measure the Distance
To find who is near, the model computes a distance to every training point, most often plain straight-line distance.
Take a Vote
The closest k neighbors each cast a vote. Whichever class wins the majority becomes the prediction for the new point.
k Is the Key Choice
The letter k is how many neighbors you consult. It is the one knob that most shapes how kNN behaves.
Small k, Jumpy Borders
A tiny k, like 1, follows every wiggle in the data and reacts to noise, giving jagged, overfit boundaries.
Large k, Smoother Calls
A big k averages over many points for smoother decisions, but too large and it blurs the real differences between classes.
Scaling Is Not Optional
Distance is unfair if one feature spans thousands and another spans tenths. Always scale features so each counts equally.
Build the Classifier
Create it like any estimator and pick your n_neighbors right away. Here we consult the five closest points.
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=5)Fit, Then Predict
The familiar contract still applies: fit stores the data, predict finds neighbors and votes on the answer.
model.fit(X_train, y_train)
model.predict(X_test)Watch the Cost
kNN is simple but can be slow at prediction time, since every guess compares the new point to all stored examples.
Quick Check
Let's pin down the parameter that defines kNN.
Recap
kNN predicts by letting the closest k neighbors vote. Choose k with care and scale your features, and it works well. 🎯
Domande Frequenti
La lezione «k-Nearest Neighbors» è gratuita?
Sì — il testo completo di «k-Nearest Neighbors» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Data Science Academy, passa a CoddyKit PRO. Il corso Data Science Academy include 4 lezioni in totale.
Cosa imparerò in «k-Nearest Neighbors»?
Classificare in base agli esempi più vicini. Eserciti Data Science Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Data Science Academy?
Non è richiesta alcuna esperienza precedente. Data Science Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.
Quanto tempo richiede la lezione «k-Nearest Neighbors»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Data Science Academy?
Sì. Ogni lezione Data Science Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Regressione logistica per sì e no
- k-Nearest Neighbors
- Alberi decisionali e Random Forest
- Elementi essenziali del Gradient Boosting