기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

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

다음 표에는 Amazon SageMaker AI k-Nearest Neighbors(k-NN) 알고리즘에 대해 설정할 수 있는 하이퍼파라미터가 나열되어 있습니다.


| 파라미터 이름 | 설명 | 
| --- | --- | 
| feature\_dim | 입력 데이터의 특징 수.<br />**필수**<br />유효한 값: 양수. | 
| k | 가장 가까운 이웃 수.<br />**필수**<br />유효한 값: 양수 | 
| predictor\_type | 데이터 레이블에 사용할 추론 유형.<br />**필수**<br />유효한 값: 분류의 경우 분류자 또는 회귀의 경우 *regressor*** | 
| sample\_size | 훈련 데이터세트에서 샘플링할 데이터 포인트의 총 수.<br />**필수**<br />유효한 값: 양수 | 
| dimension\_reduction\_target | 줄일 대상 차원.<br />`dimension_reduction_type` 파라미터를 지정하는 경우 **필수**입니다.<br />유효한 값: 0보다 크고 `feature_dim`보다 작은 양의 정수. | 
| dimension\_reduction\_type | 차원 감소 메서드 유형.<br />**선택 사항**<br />유효한 값: 무작위 투영의 경우 *sign* 또는 빠른 Johnson-Lindenstrauss 변환의 경우 *fjlt*<br />기본값: 차원 감소 없음 | 
| faiss\_index\_ivf\_nlists | `index_type`이 *faiss.IVFFlat* 또는 *faiss.IVFPQ*인 경우 인덱스 내에서 생성할 중심 수.<br />**선택 사항**<br />유효한 값: 양수<br />기본값: 자동이며 `sqrt(sample_size)`로 확인됩니다.** | 
| faiss\_index\_pq\_m | `index_type`이 *faiss.IVFPQ*로 설정된 경우 인덱스 내에서 생성할 벡터 하위 구성 요소 수.<br />FaceBook AI Similarity Search(FAISS) 라이브러리를 사용하려면 `faiss_index_pq_m`의 값이 데이터 차원의 나눗수여야 합니다. `faiss_index_pq_m`이 데이터 차원의 나눗수가 아닌 경우 데이터 차원을 `faiss_index_pq_m`으로 나눌 수 있는 가장 작은 정수로 늘립니다. 차원 감소가 적용되지 않는 경우 이 알고리즘은 제로 패딩을 추가합니다. 차원 감소가 적용된 경우 이 알고리즘은 `dimension_reduction_target` 하이퍼파라미터의 값을 늘립니다.<br />**선택 사항**<br />유효한 값: 다음 정수 중 하나: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96 | 
| index\_metric | 가장 가까운 이웃을 찾을 때 지점 간 거리를 측정하는 지표. `faiss.IVFPQ`로 설정된 `index_type`을 사용하여 훈련하는 경우 `INNER_PRODUCT` 거리 및 `COSINE` 유사성은 지원되지 않습니다.<br />**선택 사항**<br />유효한 값: 유클리드 거리의 경우 *L2*, 내적 거리의 경우 *INNER\_PRODUCT*, 코사인 유사도의 경우 *COSINE*.<br />기본값: *L2* | 
| index\_type | 인덱스의 유형.<br />**선택 사항**<br />유효한 값: *faiss.Flat*, *faiss.IVFFlat*, *faiss.IVFPQ*.<br />기본값: *faiss.Flat* | 
| mini\_batch\_size | 데이터 반복자의 미니 배치당 관측치의 수.<br />**선택 사항**<br />유효한 값: 양수<br />기본값: 5000 |