Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

K-Nearest Algorithmus für Nachbarn (k-NN)

Der Amazon SageMaker AI-Algorithmus für k-Nearest Neighbors (k-NN) ist ein indexbasierter Algorithmus. Er verwendet eine nicht parametrische Methode zur Klassifizierung oder Regression. Bei Klassifizierungsproblemen fragt der Algorithmus die k-Punkte ab, die dem Stichprobenpunkt am nächsten liegen, und gibt die am häufigsten verwendeten Bezeichnungen ihrer Klasse als prognostizierte Bezeichnung zurück. Bei Regressionsproblemen fragt der Algorithmus die k-Punkte ab, die dem Stichprobenpunkt am nächsten liegen, und gibt den Durchschnitt ihrer Funktionswerte als prognostizierten Wert zurück.

Das Training mit dem k-NN-Algorithmus umfasst drei Schritte: Sampling, Dimensionsreduzierung und Indexerstellung. Durch Sampling wird die Größe des anfänglichen Datensatzes reduziert, sodass es in den Arbeitsspeicher passt. Für die Dimensionsreduzierung verringert der Algorithmus die Funktionsdimension der Daten, um den Ressourcenbedarf des k-NN-Modells im Speicher und die Inferenzlatenz zu senken. Wir bieten zwei Methoden zur Dimensionsreduzierung an: die Zufallsprojektion und die schnelle Transformation. Johnson-Lindenstrauss In der Regel verwenden Sie die Dimensionsreduzierung für hochdimensionale Datensätze (d > 1000), um die Nachteile der Dimensionalität zu vermeiden, die die statistische Analyse von Daten beeinträchtigt, deren Dichte mit steigender Dimensionalität geringer wird. Das Hauptziel des k-NN-Trainings ist die Erstellung des Index. Der Index ermöglicht ein effizientes Suchen von Entfernungen zwischen Punkten, deren Werte oder Klassenbezeichnungen noch nicht festgelegt wurden, und den k nächstgelegenen Punkten zur Inferenz.

Input/Output Schnittstelle für den k-NN-Algorithmus

SageMaker AI k-NN unterstützt Train- und Testdatenkanäle.

Für Trainingseingaben unterstützt k-NN – text/csvund application/x-recordio-protobuf-Datenformate. Für den Eingabetyp text/csv werden die ersten label_size Spalten als Bezeichnungsvektor für diese Zeile interpretiert. Sie können entweder den Datei- oder den Pipe-Modus verwenden, um Modelle mit Daten, die als recordIO-wrapped-protobuf oder CSV formatiert sind, zu trainieren.

Für Inferenzeingaben unterstützt k-NN die application/json-, – application/x-recordio-protobufund text/csv-Datenformate. Das text/csv-Format akzeptiert eine label_size und einen Codierungsparameter. Es geht label_size von einem Wert von 0 und einer UTF-8 Kodierung aus.

Für Inferenzausgaben unterstützt k-NN die – application/jsonund application/x-recordio-protobuf-Datenformate. Diese beiden Datenformate unterstützen auch einen Verbose-Ausgabemodus. Im Verbose-Ausgabemodus stellt die API die Suchergebnisse mit dem Entfernungsvektor aufsteigend sortiert und die entsprechenden Elemente im Bezeichnungsvektor bereit.

Für die Stapeltransformation unterstützt k-NN das application/jsonlines-Datenformat für die Ein- und Ausgabe. Die Eingabe lautet z. B.:

content-type: application/jsonlines

{"features": [1.5, 16.0, 14.0, 23.0]}
{"data": {"features": {"values": [1.5, 16.0, 14.0, 23.0]}}

Die Ausgabe lautet z. B.:

accept: application/jsonlines

{"predicted_label": 0.0}
{"predicted_label": 2.0}

Weitere Informationen zu den Ein- und Ausgabedateiformaten finden Sie unter Datenformate für k-NN-Trainingseingaben für das Training, k-NN-Anforderungs- und Antwortformate für Inferenz und k-NN-Beispiel-Notebooks.

k-NN-Beispiel-Notebooks

Ein Beispiel für ein Notizbuch, das den SageMaker KI-Algorithmus „k-Nearest Neighbor“ verwendet, um anhand von geologischen Daten und forstwirtschaftlichen Daten die Art der Wildnisbedeckung vorherzusagen, finden Sie unter K-Nearest Neighbor Covertype.

Verwenden Sie eine Jupyter-Notebook-Instanz, um das Beispiel in KI auszuführen. SageMaker Informationen zum Erstellen und Öffnen einer Jupyter-Notebook-Instanz in KI finden Sie unter. SageMaker SageMaker Amazon-Notebook-Instanzen Nachdem Sie eine Notebook-Instanz erstellt und geöffnet haben, wählen Sie den Tab SageMaker KI-Beispiele aus, um eine Liste aller SageMaker KI-Beispiel-Notebooks anzuzeigen. Die Notizbücher von K-Nearest Neighbor finden Sie im Abschnitt Einführung in Amazon-Algorithmen. Zum Öffnen eines Notebooks klicken Sie auf die Registerkarte Use (Verwenden) und wählen Sie Create copy (Kopie erstellen) aus.

EC2-Instance-Empfehlung für den k-NN-Algorithmus

Wir empfehlen, auf einer CPU-Instance (wie ml.m5.2xlarge) oder auf einer GPU-Instance zu trainieren. Der k-NN-Algorithmus unterstützt die GPU-Instancefamilien P2, P3, G4dn und G5 für Training und Inferenz.

Inferenzanfragen von CPUs haben im Allgemeinen eine geringere durchschnittliche Latenz als Anfragen von GPUs, da bei Verwendung von GPU-Hardware eine Kommunikationsbelastung anfällt. CPU-to-GPU GPUs bieten im Allgemeinen jedoch einen höheren Durchsatz für größere Stapel.