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.

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

Le tableau suivant répertorie les hyperparamètres que vous pouvez définir pour l'algorithme k-nearest neighbors (k-NN) d'Amazon SageMaker AI.


| Nom du paramètre | Description | 
| --- | --- | 
| feature\_dim | Nombre de caractéristiques des données d'entrée.<br />**Obligatoire**<br />Valeurs valides : nombre entier positif. | 
| k | Le nombre de plus proches voisins.<br />**Obligatoire**<br />Valeurs valides : nombre entier positif | 
| predictor\_type | Type d'inférence à utiliser sur les étiquettes de données.<br />**Obligatoire**<br />Valeurs valides : *classifier (classificateur)* pour la classification ou *regressor (régresseur)* pour la régression. | 
| sample\_size | Nombre de points de données à échantillonner à partir du jeu de données de l'apprentissage. <br />**Obligatoire**<br />Valeurs valides : nombre entier positif | 
| dimension\_reduction\_target | Dimension cible de la réduction.<br />**Obligatoire** lorsque vous spécifiez le paramètre `dimension_reduction_type`.<br />Valeurs valides : nombre entier positif supérieur à 0 et inférieur à `feature_dim`. | 
| dimension\_reduction\_type | Type de la méthode de réduction de dimension. <br />**Facultatif**<br />Valeurs valides : *sign* pour la projection aléatoire ou *fjlt* pour FJLT (Fast Lindenstrauss-Johnson Transform).<br />Valeur par défaut : Pas de réduction de dimension | 
| faiss\_index\_ivf\_nlists | *Le nombre de centroïdes à intégrer dans l'index lorsqu'il `index_type` est défaillant. IVFFlat*ou *Faiss.ivFPQ*.<br />**Facultatif**<br />Valeurs valides : nombre entier positif<br />Valeur par défaut : *auto*, qui se résout en `sqrt(sample_size)`. | 
| faiss\_index\_pq\_m | Nombre de sous-composants de vecteurs à construire dans l'index lorsque `index_type` a la valeur *faiss.IVFPQ*. <br />La bibliothèque FaceBook AI Similarity Search (FAISS) nécessite que la valeur de `faiss_index_pq_m` soit un diviseur de la dimension des  données. Si `faiss_index_pq_m` n'est pas un diviseur de la dimension de données, nous augmentons la dimension de données au plus petit nombre entier divisible par `faiss_index_pq_m`. Si aucune réduction de dimension ne s'applique, l'algorithme complète à l'aide de zéros. Si la réduction de dimension s'applique, l'algorithme augmente la valeur de l'hyperparamètre `dimension_reduction_target`.<br />**Facultatif**<br />Valeurs valides : l'un des nombres entiers positifs suivants : 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96 | 
| index\_metric | Métrique permettant de mesurer la distance entre les points lors de la recherche des plus proches voisins. Lorsque la formation a lieu avec `index_type` défini sur `faiss.IVFPQ`, la distance `INNER_PRODUCT` et la similarité `COSINE` ne sont pas prises en charge.<br />**Facultatif**<br />Valeurs valides : *L2* pour la distance euclidienne, *INNER\_PRODUCT* pour la distance produit interne et *COSINE* pour la similarité de cosinus.<br />Valeur par défaut : *L2* | 
| index\_type | Type d'index.<br />**Facultatif**<br />*Valeurs valides : *Faiss.flat*, faiss. IVFFlat*, *Faiss.IVFPQ*.<br />Valeurs par défaut : *faiss.Flat* | 
| mini\_batch\_size | Nombre d'observations par mini-lot pour l'itérateur de données. <br />**Facultatif**<br />Valeurs valides : nombre entier positif<br />Valeur par défaut : 5000 |