Açıklanabilir K-En Yakın Komşu
Explainable K-Nearest Neighbors (XKNN) · Ayrıca şöyle bilinir: XKNN, Interpretable KNN, Explainable KNN, Transparent K-Nearest Neighbors
Açıklanabilir K-En Yakın Komşu (XKNN), klasik KNN sınıflandırıcı veya regresörünü, hangi komşuların, hangi özelliklerin ve hangi mesafe katkılarının her bir bireysel tahmini yönlendirdiğini ortaya koyan yapılandırılmış sonradan (post-hoc) veya yerleşik açıklama mekanizmalarıyla zenginleştirir — böylece modelin muhakemesini insan karar vericiler için şeffaf ve denetlenebilir hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hem tahmin doğruluğu hem de vaka düzeyinde şeffaflık gerektiğinde XKNN'yi kullanın — örneğin tıbbi teşhis, kredi puanlaması, yasal karar destek veya düzenleyici denetlenebilirlik gereksinimleri olan herhangi bir alanda. Anlamlı mesafe ilişkilerine sahip orta büyüklükteki (yüzlerce ila on binlerce örnek) veri kümelerine uygundur. Boyut azaltma veya metrik öğrenme öncesi olmayan çok yüksek boyutlu veriler için, geri çağırmanın pahalı olduğu çok büyük veri kümeleri için ve yalnızca küresel model davranışı yerine tahmin başına gerekçelendirme söz konusu olduğunda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Doğası gereği örnek tabanlı: her tahmin, bir alan uzmanının inceleyebileceği gerçek eğitim örneklerine doğrudan bağlıdır.
- Geleneksel anlamda model eğitimi yok — algoritma, sonradan yaklaşımla değil, yapı gereği şeffaftır.
- Özellik ağırlıklı mesafe, metriğin kendisini yorumlanabilir ve denetlenebilir hale getirir.
- Karşı-olgusal komşular, sıfır ek modelleme maliyetiyle üretilebilir ve GDPR tarzı açıklama hakkı gereksinimlerini karşılar.
- Uygun bir mesafe metriği seçildiğinde çok sınıflı problemleri ve karma özellik türlerini doğal olarak ele alır.
- Açıklama doğruluğu tamdır — model ve açıklama arasında bir yaklaşım boşluğu yoktur.
- Geri çağırma maliyeti veri kümesi boyutuna göre ölçeklenir; yaklaşık en yakın komşu yapıları olmadan sorgu başına O(n·d)'dir.
- Boyutsallık laneti nedeniyle yüksek boyutlarda performans keskin bir şekilde düşer; özellik seçimi veya metrik öğrenme genellikle gereklidir.
- Tüm eğitim setini model olarak saklamak, hassas alanlarda gizlilik endişeleri doğurur.
- Tahmin kalitesi, hem ayarlama gerektiren k seçimine hem de mesafe metriğine duyarlıdır.
SSS
KNN zaten özel bir uzantı olmadan açıklanabilir mi?
Standart KNN, tahminlerin gerçek eğitim vakalarına izlenmesi nedeniyle doğal olarak yorumlanabilirdir, ancak Açıklanabilir KNN bunu özellik-atfetme puanları, etki ağırlıkları ve karşı-olgusal komşular ekleyerek resmileştirir — örtük vaka tabanlı mantığı yapılandırılmış, denetlenebilir açıklamalara dönüştürür.
XKNN, bir KNN modeline LIME veya SHAP uygulamaktan nasıl farklıdır?
LIME ve SHAP, açıklama ile model arasında bir doğruluk boşluğu yaratabilen modele-bağımsız sonradan yaklaşımlardır. XKNN açıklamaları yapı gereği tamdır: her açıklama bileşeni (komşu kimliği, mesafe, özellik katkısı) modelin gerçek hesaplamasından doğrudan türetilir.
Kullanılacak en iyi mesafe metriği nedir?
Öklid mesafesi standartlaştırılmış sürekli özellikler üzerinde çalışır. Manhattan mesafesi aykırı değerlere karşı daha dayanıklıdır. Mahalanobis mesafesi özellik korelasyonlarını hesaba katar. Karma özellik türleri veya yüksek boyutlu veriler için öğrenilmiş metrik yaklaşımları (metrik öğrenme) önerilir.
Açıklanabilir bir uygulama için k'yi nasıl seçerim?
Çapraz doğrulama doğruluk açısından en uygun k'yi sağlar, ancak açıklanabilirlik için küçük bir k (3–7) genellikle tercih edilir, böylece açıklama kısa ve incelenebilir kalır. Tahminlerle birlikte güvenilirlik veya oy marjlarını raporlamak, k küçük olduğunda belirsizliği iletmeye yardımcı olur.
XKNN, GDPR açıklama hakkı gereksinimlerini karşılıyor mu?
XKNN, gerçek örneklere bağlı vaka düzeyinde açıklamalar üreterek GDPR Madde 22 uyumluluğunu destekleyebilir, ancak ham eğitim kayıtlarının paylaşılması ayrı gizlilik riskleri doğurabilir. Hassas dağıtımlarda komşu bilgilerini anonimleştiren veya toplayan gizlilik koruyucu varyantlar tercih edilir.
Kaynaklar
- Cover, T. & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27. DOI: 10.1109/TIT.1967.1053964 ↗
- Papernot, N. & McDaniel, P. (2018). Deep k-Nearest Neighbors: Towards Confident, Interpretable and Robust Deep Learning. arXiv preprint arXiv:1803.04765. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable K-Nearest Neighbors (XKNN). ScholarGate. https://scholargate.app/tr/machine-learning/explainable-k-nearest-neighbors
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- LIME: Yerel Yorumlanabilir Model-Bağımsız AçıklamalarMakine öğrenmesi↔ karşılaştır
- Naive BayesMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır