Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Hiperparameter K-nn
<a name="kNN_hyperparameters"></a>

Tabel berikut mencantumkan hyperparameters yang dapat Anda atur untuk algoritma Amazon SageMaker AI k-nearest neighbors (k-NN).


| Nama Parameter | Deskripsi | 
| --- | --- | 
| feature\_dim | Jumlah fitur dalam data input.<br />**Diperlukan**<br />Nilai yang valid: bilangan bulat positif. | 
| k | Jumlah tetangga terdekat.<br />**Diperlukan**<br />Nilai yang valid: bilangan bulat positif | 
| predictor\_type | Jenis inferensi yang digunakan pada label data.<br />**Diperlukan**<br />Nilai yang valid: *pengklasifikasi* untuk klasifikasi atau *regressor untuk regresi*. | 
| sample\_size | Jumlah titik data yang akan diambil sampelnya dari kumpulan data pelatihan. <br />**Diperlukan**<br />Nilai yang valid: bilangan bulat positif | 
| dimension\_reduction\_target | Dimensi target untuk dikurangi menjadi.<br />**Diperlukan** saat Anda menentukan `dimension_reduction_type` parameter.<br />Nilai valid: bilangan bulat positif lebih besar dari 0 dan kurang dari`feature_dim`. | 
| dimension\_reduction\_type | Jenis metode pengurangan dimensi. <br />**Opsional**<br />Nilai yang valid: *tanda* untuk proyeksi acak atau *fjlt untuk transformasi Johnson-Lindenstrauss* yang cepat.<br />Nilai default: Tidak ada pengurangan dimensi | 
| faiss\_index\_ivf\_nlists | *Jumlah centroid yang akan dibangun dalam indeks kapan `index_type` adalah faiss. IVFFlat*atau *FAISS.IVFPQ*.<br />**Opsional**<br />Nilai yang valid: bilangan bulat positif<br />Nilai default: *auto*, yang menyelesaikan ke. `sqrt(sample_size)` | 
| faiss\_index\_pq\_m | *Jumlah sub-komponen vektor yang akan dibangun dalam indeks ketika `index_type` diatur ke FAISS.IVFPQ.* <br />Pustaka FaceBook AI Similarity Search (FAISS) mensyaratkan bahwa nilai `faiss_index_pq_m` adalah pembagi dimensi data.  Jika `faiss_index_pq_m` bukan pembagi dimensi data, kami meningkatkan dimensi data menjadi bilangan bulat terkecil yang dapat dibagi dengan. `faiss_index_pq_m` Jika tidak ada pengurangan dimensi yang diterapkan, algoritma menambahkan padding nol. Jika pengurangan dimensi diterapkan, algoritma meningkatkan nilai parameter `dimension_reduction_target` hiper.<br />**Opsional**<br />Nilai yang valid: Salah satu bilangan bulat positif berikut: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96 | 
| index\_metric | Metrik untuk mengukur jarak antar titik saat menemukan tetangga terdekat. Saat berlatih dengan `index_type` set to`faiss.IVFPQ`, `INNER_PRODUCT` jarak dan `COSINE` kesamaan tidak didukung.<br />**Opsional**<br />*Nilai valid: *L2* untuk jarak Euclidean, *INNER\_PRODUCT untuk jarak produk dalam, COSINE* untuk kesamaan kosinus.*<br />Nilai default: *L2* | 
| index\_type | Jenis indeks.<br />**Opsional**<br />*Nilai yang valid: *Faiss.flat, faiss*. IVFFlat*, *FAISS.IVFPQ*.<br />Nilai default: *Faiss.flat* | 
| mini\_batch\_size | Jumlah pengamatan per mini-batch untuk iterator data. <br />**Opsional**<br />Nilai yang valid: bilangan bulat positif<br />Nilai default: 5000 |