Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

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

En la siguiente tabla se enumeran los hiperparámetros que puede configurar para el algoritmo k-NN (k-NN) de Amazon SageMaker AI.


| Nombre del parámetro | Description (Descripción) | 
| --- | --- | 
| feature\$1dim |  El número de características en los datos de entrada. **Obligatorio** Valores válidos: número entero positivo.  | 
| k |  El número de vecinos más próximos. **Obligatorio** Valores válidos: número entero positivo  | 
| predictor\$1type |  El tipo de inferencia a usar en las etiquetas de datos. **Obligatorio** Valores válidos: *clasificador* para clasificación o *regresor* para regresión.  | 
| sample\$1size |  El número de puntos de datos que se muestrearán a partir del conjunto de datos de capacitación.  **Obligatorio** Valores válidos: número entero positivo  | 
| dimension\$1reduction\$1target |  La dimensión de destino a la que reducir. **Obligatorio** cuando se especifica el parámetro `dimension_reduction_type`. Valores válidos: número entero positivo no superior a 0 y menor a `feature_dim`.  | 
| dimension\$1reduction\$1type |  El tipo de método de reducción de dimensión.  **Opcional** Valores válidos: *señal* para proyección aleatoria o *fjlt* para la transformación rápida de Johnson-Lindenstrauss. Valor predeterminado: Sin reducción de dimensión  | 
| faiss\$1index\$1ivf\$1nlists |  *El número de centroides que se van a construir en el índice cuando es faiss. `index_type` *IVFFlat*o faiss.ivfpq.* **Opcional** Valores válidos: número entero positivo Valor predeterminado: *automático*, que se resuelve como `sqrt(sample_size)`.  | 
| faiss\$1index\$1pq\$1m |  El número de subcomponentes vectoriales a construir en el índice cuando `index_type` se fija en *faiss.IVFPQ*.  La biblioteca FaceBook AI Similarity Search (FAISS) requiere que el valor de `faiss_index_pq_m` sea un divisor de la dimensión de datos.  Si `faiss_index_pq_m` no es un divisor de la dimensión de datos, se incrementará la dimensión de datos al menor el número entero divisible por `faiss_index_pq_m`. Si no se aplica ninguna reducción de dimensión, el algoritmo añade un relleno de ceros. Si se aplica la reducción de dimensión, el algoritmo aumenta el valor del hiperparámetro `dimension_reduction_target`. **Opcional** Valores válidos: uno de los siguientes números enteros positivos: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96  | 
| index\$1metric |  La métrica para medir la distancia entre puntos al encontrar vecinos más próximos. Cuando se capacita con `index_type` establecido en `faiss.IVFPQ`, la distancia de `INNER_PRODUCT` y la similitud de `COSINE` no son compatibles. **Opcional** Valores válidos: *L2* para distancia euclidiana, *INNER\$1PRODUCT* para distancia de producto interior, *COSINE* para similitud de coseno. Valor predeterminado: *L2*  | 
| index\$1type |  El tipo de índice. **Opcional** *Valores válidos: *FAISS.flat, faiss*. *IVFFlat*, faiss.ivfpq.* Valores predeterminados: *faiss.Flat*  | 
| mini\$1batch\$1size |  El número de observaciones por minilote para el iterador de datos.  **Opcional** Valores válidos: número entero positivo Valor predeterminado: 5000  |