Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# k-NN-Hyperparameter
<a name="kNN_hyperparameters"></a>

In der folgenden Tabelle sind die Hyperparameter aufgeführt, die Sie für den Amazon SageMaker AI-Algorithmus k-Nearest Neighbors (k-NN) festlegen können.


| Name des Parameters | Description | 
| --- | --- | 
| feature\$1dim |  Die Anzahl der Merkmale der Eingabedaten. **Erforderlich** Gültige Werte: positive Ganzzahl.  | 
| k |  Die Anzahl der nächsten Nachbarn. **Erforderlich** Gültige Werte: positive Ganzzahl  | 
| predictor\$1type |  Der Inferenztyp, der für die Datenbezeichnungen verwendet werden soll. **Erforderlich** Gültige Werte: *Classifier* für die Klassifizierung oder *regressor* für die Regression.  | 
| sample\$1size |  Die Anzahl der Datenpunkte, die aus dem Trainingsdatensatz gesampelt werden soll.  **Erforderlich** Gültige Werte: positive Ganzzahl  | 
| dimension\$1reduction\$1target |  Die Zieldimension, auf die reduziert werden soll. **Erforderlich**, wenn Sie den `dimension_reduction_type`-Parameter angeben. Gültige Werte: positive Ganzzahl größer als 0 und kleiner als `feature_dim`.  | 
| dimension\$1reduction\$1type |  Der Typ der Dimensionsreduzierungsmethode.  **Optional** Gültige Werte: *sign* für zufällige Projektion oder *fjlt* für die schnelle Johnson-Lindenstrauss-Transformation. Standardwert: Keine Dimensionsreduzierung  | 
| faiss\$1index\$1ivf\$1nlists |  *Die Anzahl der Zentroide, die im Index erstellt werden sollen, wenn er nicht erreicht ist. `index_type` *IVFFlat*oder Faiss.IVFPQ.* **Optional** Gültige Werte: positive Ganzzahl Standardwert: *auto*, der in `sqrt(sample_size)` aufgelöst wird.  | 
| faiss\$1index\$1pq\$1m |  Die Anzahl der Vektorsubkomponenten zur Erstellung im Index, wenn `index_type` auf *faiss.IVFPQ* eingestellt ist.  Die FAISS-Bibliothek ( FaceBook AI Similarity Search) erfordert, dass der Wert von ein Divisor der `faiss_index_pq_m` Datendimension ist.  Wenn `faiss_index_pq_m` kein Divisor der Datendimension ist, erhöhen wir die Datendimension auf die kleinste Ganzzahl, die durch `faiss_index_pq_m` teilbar ist. Wenn keine Dimensionsreduzierung angewendet wird, fügt der Algorithmus eine Auffüllung mit Nullen hinzu. Wenn die Dimensionsreduzierung angewendet wird, erhöht der Algorithmus den Wert des `dimension_reduction_target`-Hyperparameters. **Optional** Gültige Werte: Eine der folgenden positiven Ganzzahlen: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96  | 
| index\$1metric |  Die Metrik, um den Abstand zwischen den Punkten bei der Suche nach den nächsten Nachbarn zu messen. Wenn Trainings mit dem Wert `index_type` auf `faiss.IVFPQ` ausgeführt werden, werden `INNER_PRODUCT`-Entfernung und `COSINE`-Ähnlichkeit nicht unterstützt. **Optional** Gültige Werte: *L2* für die euklidische Entfernung, *INNER\$1PRODUCT* für die innere Produktentfernung, *COSINE* für Kosinusähnlichkeit. Standardwert: *L2*  | 
| index\$1type |  Der Typ des Index. **Optional** *Gültige Werte: *faiss.Flat, faiss*. *IVFFlat*,* faiss.IVFPQ. Standardwerte: *faiss.Flat*  | 
| mini\$1batch\$1size |  Die Anzahl der Beobachtungen pro Mini-Stapel für den Dateniterator.  **Optional** Gültige Werte: positive Ganzzahl Standardwert: 5000  |