K-En Yakın Komşu Lab
Etkileşimli karar bölgeleri, komşu inceleme ve ağırlıklı oylama ile örnek tabanlı sınıflandırma.
K-NN küresel model parametreleri öğrenmez. Özellik uzayındaki yakın eğitim noktalarının etiketleriyle tahmin yapar.
Sorgu noktası x için en yakın K örnek seçilir ve etiketler çoğunluk oyu (veya ağırlıklı oy) ile birleştirilir.
$$\hat{y}(x)=\arg\max_c \sum_{i\in \mathcal{N}_K(x)} w_i\,\mathbf{1}(y_i=c)$$
- K küçük: sınır esnek ama yerel gürültüye duyarlı.
- K büyük: sınır daha pürüzsüz, varyans düşük, bias artabilir.
- Ağırlıklı oylama (w=1/d) çok yakın komşulara daha fazla etki verir.
K-NN mesafeye dayandığı için özellik ölçekleme kritik önem taşır. Standartlaştırma genelde güvenilirliği artırır.
Tahmin maliyeti veri büyüdükçe artar; çünkü çıkarımda birçok örnekle mesafe hesaplanır.
K değerini doğrulama ile seç ve gürültülü/örtüşen dağılımlarda sağlamlığı değerlendir.
- Demo dağılımı yükle (dikey, XOR, eşmerkezli, örtüşen, rastgele).
- K’yı ayarla ve ağırlıklı oylamayı aç/kapatıp sınırları karşılaştır.
- Test Mode’u aç ve tıklayarak en yakın komşuları ve sınıf olasılığını incele.
- Daha ince sınır için bölge yoğunluğunu artır, sonra hızlı çizim için düşür.
Eğitim örnekleri eklemek için tıkla. Test Mode’da tıklayarak sorgu noktasını sınıflandır ve en yakın komşuları incele.