K-Nearest Neighbours oraz K-Means: Zrozumienie zasad działania oraz zalet i wad

• Autorzy: Koziara Natalia

Warianty tytułu

EN

K-Nearest neighbours and K-Means: Understanding How It Works & Its Advantages and Disadvantages

• Języki publikacji: PL

Abstrakty

PL

Uczenie maszynowe jest metodą analizy danych, polegającą na automatyzacji modeli analitycznych, dzięki któremu możliwe jest uzyskanie dokładniejszych wyników. Wyróżnia się cztery rodzaje algorytmów - nadzorowane, półnadzorowane, nienadzorowane oraz wzmocnione, do których zalicza się między innymi algorytm k-najbliższych sąsiadów (K-Nearest Neighbors - KNN) oraz algorytm k-średnich (K-Means). Pierwszy z nich jest nieparametryczny, nadzorowanym klasyfikatorem uczenia się, natomiast drugi zaliczany jest do uczenia maszynowego bez nadzoru. Algorytm k-najbliższych sąsiadów używany jest w przypadku klasyfikacji oraz regresji, podczas gdy algorytm k-średnich stosowany jest w zadaniach grupowych. Oba algorytmy, dzięki wielu zaletom znajdują szerokie zastosowanie w różnorodnych dziedzinach.

EN

Machine learning is a method of data analysis that involves automating analytical models to produce more accurate results. There are four types of algorithms - supervised, semi-supervised, unsupervised and enhanced, which include the K-Nearest Neighbors (KNN) algorithm and the k-means (K-Means) algorithm. The former is a non-parametric supervised learning classifier, while the latter is classified as unsupervised machine learning. The k-nearest neighbor algorithm is used for classification and regression, while the k-means algorithm is used for clustering tasks. Both algorithms, thanks to their many advantages, are widely used in a variety of fields.

Słowa kluczowe

PL

algorytm; uczenie maszynowe; k-najbliższych sąsiadów; k-średnich

EN

algorithm; machine learning; K-Nearest Neighbors; K-Means

• Wydawca: Katedra Chemii Analitycznej, Wydział Inżynierii Materiałowej i Ceramiki, Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Czasopismo: Analit
• Rocznik: 2024
• Tom: Nr 14
• Strony: 120--125
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Koziara Natalia

• AGH Akademia Górniczo-Hutnicza, Wydział Inżynierii Materiałowej i Ceramiki, al. Mickiewicza 30, 30-059 Kraków

Bibliografia

• [1] Michał Bąba, Algorytmy - nowy wymiar nadzoru i kontroli nad świadczącym pracę, t. LXI, nr 3/2020
• [2] Paweł Stacewicz, O algorytmach i algorytmicznej dostępności wiedzy, Studia metodologiczne, nr 36, 2016
• [3] https://www.analyticsvidhya.com/blog/2023/02/lazy-learning-vs-eager-learning-algorithms-in-machine-learning/
• [4] https://www.sas.com/pl_pl/insights/analytics/machine-learning.html
• [5] Przemysław Juszczuk, Sztuczna inteligencja: Algorytm KNN, Instytut Informatyki Uniwersytetu Śląskiego 23 kwietnia 2012
• [6] Paweł Drzewiecki, Predykcja poziomu tlenu w piecu EAF z wykorzystaniem metod sztucznej inteligencji: regresji liniowej i metody najbliższych sąsiadów (k-NN), Procesy termiczna, piece przemysłowe & kotły I-II/2013
• [7] Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning, Data Mining, Inference, and Prediction, Springer Series in Statistics
• [8] Aleksandra Król-Nowak, Katarzyna Kotarba, Podstawy uczenia maszynowego pod redakcja Aleksandry Król-Nowak, Wydawnictwo AGH, Kraków, 2022
• [9] https://ekordo.pl/klasyfikacja-odpadow-na-ulegajace-organicznemu-i-materialowemu-recyklingowi-za-pomoca-metody-k-najblizszych-sasiadow-ang-k-nearest-neighbors/
• [10] https://www.ibm.com/topics/knn
• [11] Tomasz Kuczyński, Algorytm k-średnich na wielordzeniowych procesorach CPU oraz akceleratorach GPU, Rozdział I
• [12] https://www.analyticsvidhya.com/blog/2019/08/comprehensive-guide-k-means-clustering/
• [13] Alhamza Munther, Rozmie Razif, A Preliminary Performance Evaluation of K-means, KNN and EM Unsupervised Machine Learning Methods for Network Flow Classification, International Journal of Electrical and Computer Engineering (IJECE), Vol. 6, No. 2, April 2016, pp. 778~784