k-Nearest Neighbors
Klasyfikowanie na podstawie najbliższych przykładów
k-Nearest Neighbors to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
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. 🎯
Często zadawane pytania
Czy lekcja „k-Nearest Neighbors” jest bezpłatna?
Tak — pełny tekst „k-Nearest Neighbors” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „k-Nearest Neighbors”?
Klasyfikowanie na podstawie najbliższych przykładów Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „k-Nearest Neighbors”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Regresja logistyczna dla odpowiedzi tak/nie
- k-Nearest Neighbors
- Drzewa decyzyjne i lasy losowe
- Podstawy Gradient Boosting