Online K-Nearest Neighbors (Incremental KNN for Data Streams)
KNN کلاسیک تنبل است — تمام نقاط آموزشی را ذخیره میکند و در زمان پرسوجو همه آنها را جستجو میکند. در یک محیط آنلاین، دادهها هرگز متوقف نمیشوند، بنابراین ذخیره همیشگی همه چیز غیرعملی است و دادههای قدیمی ممکن است به دلیل رانش مفهوم (concept drift) نامربوط شوند. Online KNN با نگهداری تنها زیرمجموعهای با دقت مدیریت شده از نمونههای اخیر یا آموزنده در یک پنجره لغزان یا حافظه خودتنظیم، این مشکل را حل میکند. هنگامی که یک نقطه جدید وارد میشود، با برچسب اکثریت k همسایه ذخیره شده نزدیک به خود طبقهبندی میشود، سپس حافظه برای گنجاندن نقطه جدید و حذف نمونههای قدیمی بهروز میشود. این به مدل اجازه میدهد تا به تدریج با تغییرات تدریجی یا ناگهانی در توزیع دادهها در طول زمان سازگار شود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- Losing, V., Hammer, B., & Wersing, H. (2016). KNN Classifier with Self Adjusting Memory for Heterogeneous Concept Drift. In Proceedings of the IEEE 16th International Conference on Data Mining (ICDM), pp. 291–300. IEEE. DOI: 10.1109/ICDM.2016.0040 ↗
- Gama, J. (2010). Knowledge Discovery from Data Streams. CRC Press / Chapman & Hall. ISBN: 978-1-4398-2611-9
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Online K-Nearest Neighbors (Incremental KNN for Data Streams). ScholarGate. https://scholargate.app/fa/machine-learning/online-k-nearest-neighbors
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- درخت تصمیم آنلاینیادگیری ماشین↔ مقایسه
- یادگیری آنلاینیادگیری ماشین↔ مقایسه
- بییز ساده برخطیادگیری ماشین↔ مقایسه
- Online Random Forestیادگیری ماشین↔ مقایسه
- K-نزدیکترین همسایگی نیمهنظارتشدهیادگیری ماشین↔ مقایسه
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →