Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

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

En la siguiente tabla se enumeran los hiperparámetros que puede configurar para el algoritmo k-NN (k-NN) de Amazon SageMaker AI.


| Nombre del parámetro | Description (Descripción) | 
| --- | --- | 
| feature\_dim | El número de características en los datos de entrada.<br />**Obligatorio**<br />Valores válidos: número entero positivo. | 
| k | El número de vecinos más próximos.<br />**Obligatorio**<br />Valores válidos: número entero positivo | 
| predictor\_type | El tipo de inferencia a usar en las etiquetas de datos.<br />**Obligatorio**<br />Valores válidos: *clasificador* para clasificación o *regresor* para regresión. | 
| sample\_size | El número de puntos de datos que se muestrearán a partir del conjunto de datos de capacitación. <br />**Obligatorio**<br />Valores válidos: número entero positivo | 
| dimension\_reduction\_target | La dimensión de destino a la que reducir.<br />**Obligatorio** cuando se especifica el parámetro `dimension_reduction_type`.<br />Valores válidos: número entero positivo no superior a 0 y menor a `feature_dim`. | 
| dimension\_reduction\_type | El tipo de método de reducción de dimensión. <br />**Opcional**<br />Valores válidos: *sign* para la proyección aleatoria o *fjlt* para la transformación rápida. Johnson-Lindenstrauss<br />Valor predeterminado: Sin reducción de dimensión | 
| faiss\_index\_ivf\_nlists | El número de centroides a construir en el índice cuando `index_type` es *faiss.IVFFlat* o *faiss.IVFPQ*.<br />**Opcional**<br />Valores válidos: número entero positivo<br />Valor predeterminado: *automático*, que se resuelve como `sqrt(sample_size)`. | 
| faiss\_index\_pq\_m | El número de subcomponentes vectoriales a construir en el índice cuando `index_type` se fija en *faiss.IVFPQ*. <br />La biblioteca FaceBook AI Similarity Search (FAISS) requiere que el valor de `faiss_index_pq_m` sea un divisor de la  dimensión de datos. Si `faiss_index_pq_m` no es un divisor de la dimensión de datos, se incrementará la dimensión de datos al menor el número entero divisible por `faiss_index_pq_m`. Si no se aplica ninguna reducción de dimensión, el algoritmo añade un relleno de ceros. Si se aplica la reducción de dimensión, el algoritmo aumenta el valor del hiperparámetro `dimension_reduction_target`.<br />**Opcional**<br />Valores válidos: uno de los siguientes números enteros positivos: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96 | 
| index\_metric | La métrica para medir la distancia entre puntos al encontrar vecinos más próximos. Cuando se capacita con `index_type` establecido en `faiss.IVFPQ`, la distancia de `INNER_PRODUCT` y la similitud de `COSINE` no son compatibles.<br />**Opcional**<br />*Valores válidos: *L2* para Euclidean-distance, *INNER\_PRODUCT para la distancia entre el producto* interior y COSINE para la similitud entre cosenos.*<br />Valor predeterminado: *L2* | 
| index\_type | El tipo de índice.<br />**Opcional**<br />Valores válidos: *faiss.Flat*, *faiss.IVFFlat*, *faiss.IVFPQ*.<br />Valores predeterminados: *faiss.Flat* | 
| mini\_batch\_size | El número de observaciones por minilote para el iterador de datos. <br />**Opcional**<br />Valores válidos: número entero positivo<br />Valor predeterminado: 5000 |