Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Régler un modèle k-NN
<a name="kNN-tuning"></a>

L'algorithme SageMaker k-nearest neighbors d'Amazon AI est un algorithme supervisé. L'algorithme utilise un jeu de données de test et émet une métrique sur la précision d'une tâche de classification ou sur l'erreur quadratique moyenne d'une tâche de régression. Ces métriques de précision comparent les prédictions du modèle pour leur tâche respective à la vérité du terrain fournie par les données de test empiriques. Pour trouver le meilleur modèle qui rapporte la plus haute précision ou la plus faible erreur sur le jeu de données de test, exécutez une tâche de réglage des hyperparamètres pour k-NN. 

Le *réglage de modèle automatique*, ou réglage d'hyperparamètre, détecte la meilleure version d'un modèle en exécutant plusieurs tâches qui testent une plage d'hyperparamètres sur votre jeu de données. Vous choisissez les hyperparamètres réglables, une plage de valeurs pour chacun d'eux et une métrique d'objectif. Vous choisissez la métrique d'objectif appropriée pour la tâche de prédiction de l'algorithme. Le réglage de modèle automatique recherche parmi les hyperparamètres choisis la combinaison de valeurs qui produira un modèle permettant d'optimiser la métrique d'objectif. Les hyperparamètres sont utilisés uniquement pour vous aider à estimer les paramètres du modèle et ne sont pas utilisés par le modèle formé pour effectuer des prédictions.

Pour plus d'informations sur le réglage de modèle, consultez [Réglage automatique du modèle grâce à l' SageMaker IA](automatic-model-tuning.md).

## Métriques calculées par l'algorithme k-NN
<a name="km-metrics"></a>

L'algorithme des k-NN calcule l'une des deux métriques du tableau suivant au cours de l'apprentissage en fonction du type de tâche spécifié par l'hyperparamètre `predictor_type`. 
+ *classifier (classificateur)* spécifie une tâche de classification et calcule `test:accuracy` 
+ *regressor (régresseur)* spécifie une tâche de régression et calcule `test:mse`.

Choisissez pour `predictor_type` une valeur appropriée au type de tâche effectué pour calculer la métrique d'objectif pertinente lors du réglage d'un modèle.


| Nom de la métrique | Description | Orientation de l'optimisation | 
| --- | --- | --- | 
| test:accuracy |  Lorsque `predictor_type` est défini sur *classifier*, l'algorithme k-NN compare l'étiquette prédite, en fonction de la moyenne des étiquettes des k-NN, à l'étiquette de la vérité sur le terrain fournie dans les données du canal de test. La précision signalée est comprise entre 0,0 (0 %) et 1,0 (100 %).  |  Agrandir  | 
| test:mse |  Lorsque `predictor_type` est défini sur *regressor*, l'algorithme k-NN compare l'étiquette prédite, en fonction de la moyenne des étiquettes des k-NN, à l'étiquette de la vérité sur le terrain fournie dans les données du canal de test. L'erreur quadratique moyenne est calculée en comparant les deux étiquettes.  |  Réduire  | 



## Hyperparamètres k-NN réglables
<a name="km-tunable-hyperparameters"></a>

Réglez le modèle du voisin le plus proche d'Amazon SageMaker AI avec les hyperparamètres suivants.


| Nom du paramètre | Type de paramètre | Plages recommandées | 
| --- | --- | --- | 
| k |  IntegerParameterRanges  |  MinValue: 1, MaxValue 1024  | 
| sample\$1size |  IntegerParameterRanges  |  MinValue: 256, MaxValue 20000000  |