As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

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

A tabela a seguir lista os hiperparâmetros que você pode definir para o algoritmo de k-vizinhos mais próximos (k-NN) da Amazon SageMaker AI.


| Nome do parâmetro | Description | 
| --- | --- | 
| feature\$1dim |  O número de atributos nos dados de entrada. **Obrigatório** Valores válidos: inteiro positivo.  | 
| k |  O número de vizinhos mais próximos. **Obrigatório** Valores válidos: inteiro positivo  | 
| predictor\$1type |  O tipo de inferência a ser usada nos rótulos de dados. **Obrigatório** Valores válidos: *classificador* para classificação ou *regressor* para regressão.  | 
| sample\$1size |  O número de pontos de dados dos quais obter uma amostra no conjunto de dados de treinamento.  **Obrigatório** Valores válidos: inteiro positivo  | 
| dimension\$1reduction\$1target |  A dimensão de destino para a qual reduzir. **Obrigatório** quando você especifica o parâmetro `dimension_reduction_type`. Valores válidos: inteiro positivo maior que 0 e menor que `feature_dim`.  | 
| dimension\$1reduction\$1type |  O tipo de método de redução da dimensão.  **Opcional** Valores válidos: *sign* para projeção aleatória ou *fjlt* para a transformação rápida de Johnson-Lindenstrauss. Valor padrão: Nenhuma redução da dimensão  | 
| faiss\$1index\$1ivf\$1nlists |  *O número de centróides a serem construídos no índice quando `index_type` é faiss. IVFFlat*ou *FAISS.ivfpq*. **Opcional** Valores válidos: inteiro positivo Valor padrão: *auto*, que é resolvido como `sqrt(sample_size)`.  | 
| faiss\$1index\$1pq\$1m |  O número de subcomponentes vetoriais a serem construídos no índice quando `index_type` está definido como *faiss.IVFPQ*.  A biblioteca FaceBook AI Similarity Search (FAISS) exige que o valor de `faiss_index_pq_m` seja um divisor da dimensão dos  dados. Se `faiss_index_pq_m` não for um divisor da dimensão de dados, aumentaremos a dimensão de dados para o menor número inteiro divisível por `faiss_index_pq_m`. Se nenhuma redução de dimensão for aplicada, o algoritmo adicionará um preenchimento de zeros. Se a redução de dimensão for aplicada, o algoritmo aumentará o valor do hiperparâmetro `dimension_reduction_target`. **Opcional** Valores válidos: Um dos seguintes números inteiros positivos: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96  | 
| index\$1metric |  A métrica para medir a distância entre os pontos ao encontrar os vizinhos mais próximos. Ao treinar com `index_type` definido como `faiss.IVFPQ`, a distância `INNER_PRODUCT` e a similaridade `COSINE` não são compatíveis. **Opcional** Valores válidos: *L2* para distância euclidiana, *INNER\$1PRODUCT* para distância interna do produto, *COSINE* para similaridade de cosseno. Valor padrão: *L2*  | 
| index\$1type |  O tipo de índice. **Opcional** *Valores válidos: *FAISS.flat*, faiss. IVFFlat*, *FAISS. IVFPq*. Valores padrão: *faiss.Flat*  | 
| mini\$1batch\$1size |  O número de observações por minilote para o iterador de dados.  **Opcional** Valores válidos: inteiro positivo Valor padrão: 5000  |