本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

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

下表列出了您可以为 Amazon A SageMaker I k 最近邻 (k-nn) 算法设置的超参数。


| 参数名称 | 说明 | 
| --- | --- | 
| feature\_dim | 输入数据中的特征数。<br />**必填**<br />有效值：正整数。 | 
| k | 最近邻点的数量。<br />**必填**<br />有效值：正整数 | 
| predictor\_type | 要在数据标签上使用的推理类型。<br />**必填**<br />有效值：对于分类为 *classifier*；对于回归为 *regressor*。 | 
| sample\_size | 要从训练数据集中采样的数据点数。<br />**必填**<br />有效值：正整数 | 
| dimension\_reduction\_target | 要缩减到的目标维度。<br />在您指定 `dimension_reduction_type` 参数时**必需**。<br />有效值：大于 0 且 `feature_dim` 小于的正整数。 | 
| dimension\_reduction\_type | 维度缩减方法的类型。<br />**可选**<br />有效值：对于随机投影为 *sign*；对于快速 Johnson-Lindenstrauss 变换为 *fjlt*。<br />默认值：不进行维度缩减 | 
| faiss\_index\_ivf\_nlists | *faiss 时`index_type`要在索引中构造的质心数。 IVFFlat*或者 *faiss.ivfpq*。<br />**可选**<br />有效值：正整数<br />默认值：*auto*，这将解析为 `sqrt(sample_size)`。 | 
| faiss\_index\_pq\_m | 当 `index_type` 设置为 *faiss.IVFPQ* 时，要在索引中构造的向量子组件的数量。<br />A FaceBook I 相似度搜索 (FAISS) 库要求的值必须`faiss_index_pq_m`是数据维度的除数。如果 `faiss_index_pq_m` 不是数据维度的除数，我们会将数据维度增加到可被 `faiss_index_pq_m` 整除的最小整数。如果未应用维度缩减，则算法会添加零填充。如果应用了维度缩减，算法会增加 `dimension_reduction_target` 超参数的值。<br />**可选**<br />有效值：下列正整数之一：1、2、3、4、8、12、16、20、24、28、32、40、48、56、64、96 | 
| index\_metric | 在查找最近邻点时用于测量点之间距离的指标。如果在训练时将 `index_type` 设置为 `faiss.IVFPQ`，则不支持 `INNER_PRODUCT` 距离和 `COSINE` 相似性。<br />**可选**<br />有效值：对于欧几里得距离为 *L2*，对于内积距离为 *INNER\_PRODUCT*，对于余弦相似度为 *COSINE*。<br />默认值：*L2* | 
| index\_type | 索引类型。<br />**可选**<br />*有效值：*faiss.flat、faiss。* IVFFlat*，*faiss.ivfpq*。<br />默认值：*faiss.Flat* | 
| mini\_batch\_size | 用于数据迭代器的每个小批量的观察次数。<br />**可选**<br />有效值：正整数<br />默认值：5000 |