Çevrimiçi K-En Yakın Komşu (Çevrimiçi KNN)
Online K-Nearest Neighbors (Incremental KNN for Data Streams) · Ayrıca şöyle bilinir: Online KNN, Incremental KNN, Streaming KNN, KNN with concept drift adaptation
Çevrimiçi K-En Yakın Komşu (Çevrimiçi KNN), klasik KNN algoritmasını, gözlemlerin sıralı olarak geldiği ve modelin tam yeniden eğitim olmadan artımlı olarak güncellenmesi gereken bir veri akışı ortamına uyarlar. Tüm geçmiş örnekleri depolamak yerine, sınırlı bir kayan pencere veya uyarlanabilir bellek tutar ve gelen her noktayı yakınlığa göre sınıflandırmak veya tahmin etmek için en yeni ve en temsili örnekleri kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler sürekli bir akış olarak geldiğinde, baştan yeniden eğitim hesaplama açısından uygulanamadığında ve altta yatan dağılım zamanla kayabilirse (kavram kayması) Çevrimiçi KNN'yi kullanın. Gerçek zamanlı sensör sınıflandırması, ağ saldırı tespiti ve kullanıcı davranışı modellemesi gibi uygulamalar için uygundur. Anlamlı mesafe metrikleriyle orta düzeyde özellik kümelerinde iyi performans gösterir. Özellik alanı çok yüksek boyutluysa (mesafe yoğunlaşması KNN kalitesini düşürür), akış son derece hızlıysa ve bellek arama gecikmesi bir darboğazsa veya güçlü yorumlanabilirlik gerekiyorsa bundan kaçının. Sabit bir veri kümesindeki yığın KNN daha basittir ve durağan veriler için genellikle daha doğrudur.
Güçlü yönler & sınırlılıklar
- Doğal olarak artımlı: her yeni örnek tam yeniden eğitim yerine O(n_buffer) maliyetle dahil edilebilir.
- Kayan pencere veya uyarlanabilir bellekten eski örnekleri atarak kavram kaymasına uyum sağlar.
- Veri dağılımı hakkında parametrik olmayan varsayım; doğrusal olmayan ve karmaşık karar sınırlarını yakalar.
- Diğer çevrimiçi algoritmalara kıyasla uygulaması ve anlaşılması basittir.
- Temel mesafe arama mekanizmasıyla hem sınıflandırma hem de regresyon için çalışır.
- Tahmin maliyeti arabellek boyutuna göre ölçeklenir — her sorgu, yaklaşık en yakın komşu dizini tutulmadıkça tüm depolanan örneklerin taranmasını gerektirir.
- Boyutluluk laneti nedeniyle çok yüksek boyutlu özellik uzaylarında performans keskin bir şekilde düşer.
- Dikkatli özellik ölçeklendirme gerektirir; ölçeklenmemiş özellikler yanıltıcı mesafelere neden olur.
- Arabellek yönetimi stratejisi (pencere boyutu, unutma kuralı), belirli akışın kayma hızına uyacak şekilde ayarlanmalıdır.
SSS
Çevrimiçi KNN standart yığın KNN'den nasıl farklıdır?
Standart KNN tüm eğitim verilerini depolar ve herhangi bir güncellemede baştan yeniden eğitilir. Çevrimiçi KNN, en yeni veya bilgilendirici örneklerin sınırlı bir arabelleğini tutar, her yeni gözlemden sonra onu artımlı olarak günceller ve eski örnekleri sonlandırarak kavram kaymasına uyum sağlayabilir — bu da onu sürekli veri akışları için pratik hale getirir.
Arabellek boyutunu ve k'yi nasıl seçmeliyim?
Arabellek boyutu, beklenen kavram kayması hızını yansıtmalıdır: daha hızlı kayma daha küçük, daha reaktif bir arabellek gerektirir. k, standart KNN'de olduğu gibi ayarlanır — genellikle ayrılmış bir pencerede çapraz doğrulama ile. Daha büyük k tahminleri yumuşatır ancak yeni desenlere daha yavaş tepki verir; daha küçük k duyarlıdır ancak gürültülüdür.
Çevrimiçi KNN özellik ölçeklendirmesi gerektirir mi?
Evet — bu esastır. KNN mesafeye göre sınıflandırır, bu nedenle daha büyük sayısal ölçeklerdeki özellikler, her özellik mesafe hesaplamalarından önce standartlaştırılmadıkça (sıfır ortalama, birim varyans) veya ortak bir aralığa normalleştirilmedikçe benzerlik hesaplamalarına hakim olacaktır.
Kavram kayması aniden mi yoksa kademeli olarak mı olursa ne olur?
Çevrimiçi KNN'yi ADWIN veya DDM gibi bir kayma dedektörü ile birleştirmek, modelin ani değişiklikleri istatistiksel olarak tespit etmesine ve arabelleği hemen temizlemesine veya küçültmesine olanak tanır, böylece tahminler eski tarihsel veriler üzerinde ortalama almak yerine yeni rejimi hızla yansıtır.
Çevrimiçi KNN yüksek boyutlu veriler için uygun mudur?
Ön işleme olmadan değil. Yüksek boyutlu uzaylarda tüm noktalar eşit uzaklıkta hale gelir, bu da en yakın komşu aramasını anlamsız hale getirir. Özellik sayısı arabellek boyutuna göre büyük olduğunda, Çevrimiçi KNN'den önce boyut azaltma (PCA, özellik seçimi) şiddetle tavsiye edilir.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online K-Nearest Neighbors (Incremental KNN for Data Streams). ScholarGate. https://scholargate.app/tr/machine-learning/online-k-nearest-neighbors
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çevrimiçi Karar AğacıMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Çevrimiçi Naive BayesMakine öğrenmesi↔ karşılaştır
- Online Random Forest (Çevrimiçi Rastgele Orman)Makine öğrenmesi↔ karşılaştır
- Yarı denetimli En Yakın KomşularMakine öğrenmesi↔ karşılaştır