Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Ottimizzazione di un modello k-NN
<a name="kNN-tuning"></a>

L'algoritmo Amazon SageMaker AI k-nearest neighbors è un algoritmo supervisionato. L'algoritmo usa un set di dati di test ed emette un parametro sull'accuratezza per un'attività di classificazione o sull'errore quadratico medio per un'attività di regressione. Questi parametri di accuratezza confrontano le previsioni del modello per la rispettiva attività con i dati acquisiti sul campo dai dati di test empirici. Per individuare il modello migliore che restituisce la massima accuratezza o l'errore minore nel set di dati di test, esegui un processo di ottimizzazione iperparametri per k-NN. 

L'*ottimizzazione automatica dei modelli*, nota anche come ottimizzazione degli iperparametri, trova la versione migliore di un modello eseguendo molti processi che testano un intervallo di iperparametri sul set di dati. Scegli gli iperparametri ottimizzabili, un intervallo di valori per ciascuno di essi e un parametro obiettivo. Scegli il parametro obiettivo appropriato per l'attività di previsione dell'algoritmo. L'ottimizzazione automatica del modello ricerca gli iperparametri scelti per trovare la combinazione di valori che restituisce il modello che ottimizza il parametro obiettivo. Gli iperparametri vengono utilizzati solo per aiutare a stimare i parametri del modello e non vengono utilizzati dal modello addestrato per fare previsioni.

Per ulteriori informazioni sull'ottimizzazione del modello, consulta [Ottimizzazione automatica dei modelli con AI SageMaker](automatic-model-tuning.md).

## Parametri calcolati dall'algoritmo k-NN
<a name="km-metrics"></a>

L'algoritmo k-nearest neighbors calcola uno dei due parametri nella tabella seguente durante l’addestramento, a seconda del tipo di attività specificato dall'iperparametro `predictor_type`. 
+ *classifier* specifica un'attività di classificazione e calcola `test:accuracy` 
+ *regressor* specifica un'attività di regressione e calcola `test:mse`.

Scegli il valore `predictor_type` appropriato per il tipo di attività intrapresa per calcolare il parametro obiettivo pertinente quando si ottimizza un modello.


| Nome parametro | Description | Direzione dell'ottimizzazione | 
| --- | --- | --- | 
| test:accuracy |  Quando `predictor_type` è impostato su *classifier*, k-NN confronta l'etichetta prevista, in base alla media delle etichette dei k-nearest neighbors, con l'etichetta dei dati acquisiti sul campo fornita nei dati del canale di test. L'accuratezza restituita varia da 0,0 (0%) a 1,0 (100%).  |  Massimizza  | 
| test:mse |  Quando `predictor_type` è impostato su *regressor*, k-NN confronta l'etichetta prevista, in base alla media delle etichette dei k-nearest neighbors, con l'etichetta dei dati acquisiti sul campo fornita nei dati del canale di test. L'errore quadratico medio viene calcolato confrontando le due etichette.  |  Minimizza  | 



## Iperparametri k-NN ottimizzabili
<a name="km-tunable-hyperparameters"></a>

Ottimizza il modello Amazon SageMaker AI k-nearest neighbor con i seguenti iperparametri.


| Nome parametro | Tipo parametro | Intervalli consigliati | 
| --- | --- | --- | 
| k |  IntegerParameterRanges  |  MinValue: 1, 1024 MaxValue  | 
| sample\$1size |  IntegerParameterRanges  |  MinValue: 256, MaxValue 20000000  |