本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

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

下表列出您可以為 Amazon SageMaker AI k 近鄰 (k-NN) 演算法設定的超參數。


| 參數名稱 | Description | 
| --- | --- | 
| feature\_dim | 輸入資料中的特徵數量。<br />**必要**<br />有效值：正整數。 | 
| k | 近鄰的數量。<br />**必要**<br />有效值：正整數 | 
| predictor\_type | 用於資料標籤的推論類型。<br />**必要**<br />有效值：用於分類的*分類器*或用於迴歸的*迴歸器*。 | 
| sample\_size | 要從訓練資料集抽樣的資料點數量。<br />**必要**<br />有效值：正整數 | 
| dimension\_reduction\_target | 降低目標的目標維度。<br />當您指定 `dimension_reduction_type` 參數時，則為**必要項目**。<br />有效值：大於 0 且小於 `feature_dim` 的正整數。 | 
| dimension\_reduction\_type | 降維方法的類型。<br />**選用**<br />有效值：適用於隨機投影的 *sign* 或適用於快速 Johnson-Lindenstrauss 轉換的 *fjlt*。<br />預設值：不降維 | 
| faiss\_index\_ivf\_nlists | 當 `index_type` 為 *faiss.IVFFlat* 或 *faiss.IVFPQ* 時，在索引中建構的質量中心數量。<br />**選用**<br />有效值：正整數<br />預設值：*auto*，會解析為 `sqrt(sample_size)`。 | 
| faiss\_index\_pq\_m | 當 `index_type` 設為 *faiss.IVFPQ* 時，在索引中建構的向量子元件數量。<br />FaceBook AI 相似性搜尋 (FAISS) 程式庫需要 `faiss_index_pq_m` 的值是資料維度的除數。如果 `faiss_index_pq_m` 不是資料維度的除數，我們會將資料維度增加至可被 `faiss_index_pq_m` 整除的最小整數。如未套用任何降維，此演算法會新增零的填補。如果套用降維，此演算法會增加 `dimension_reduction_target` 超參數的值。<br />**選用**<br />有效值：下列正整數之一：1、2、3、4、8、12、16、20、24、28、32、40、48、56、64、96 | 
| index\_metric | 尋找近鄰時，測量點與點間距離的指標。以 `index_type` 設為 `faiss.IVFPQ` 訓練時，不支援 `INNER_PRODUCT` 距離和 `COSINE` 相似度。<br />**選用**<br />有效值：*L2* 用於歐幾里德距離，*INNER\_PRODUCT* 用於內部產品距離，*COSINE* 用於餘弦相似度。<br />預設值：*L2* | 
| index\_type | 索引的類型。<br />**選用**<br />有效值：*faiss.Flat*、*faiss.IVFFlat*、*faiss.IVFPQ*。<br />預設值：*faiss.Flat* | 
| mini\_batch\_size | 資料反覆運算器每個微型批次的觀察項數量。<br />**選用**<br />有效值：正整數<br />預設值：5000 |