Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Hiperparameter K-nn
<a name="kNN_hyperparameters"></a>

Tabel berikut mencantumkan hyperparameters yang dapat Anda atur untuk algoritma Amazon SageMaker AI k-nearest neighbors (k-NN).


| Nama Parameter | Deskripsi | 
| --- | --- | 
| feature\$1dim |  Jumlah fitur dalam data input. **Diperlukan** Nilai yang valid: bilangan bulat positif.  | 
| k |  Jumlah tetangga terdekat. **Diperlukan** Nilai yang valid: bilangan bulat positif  | 
| predictor\$1type |  Jenis inferensi yang digunakan pada label data. **Diperlukan** Nilai yang valid: *pengklasifikasi* untuk klasifikasi atau *regressor untuk regresi*.  | 
| sample\$1size |  Jumlah titik data yang akan diambil sampelnya dari kumpulan data pelatihan.  **Diperlukan** Nilai yang valid: bilangan bulat positif  | 
| dimension\$1reduction\$1target |  Dimensi target untuk dikurangi menjadi. **Diperlukan** saat Anda menentukan `dimension_reduction_type` parameter. Nilai valid: bilangan bulat positif lebih besar dari 0 dan kurang dari`feature_dim`.  | 
| dimension\$1reduction\$1type |  Jenis metode pengurangan dimensi.  **Opsional** Nilai yang valid: *tanda* untuk proyeksi acak atau *fjlt untuk transformasi Johnson-Lindenstrauss* yang cepat. Nilai default: Tidak ada pengurangan dimensi  | 
| faiss\$1index\$1ivf\$1nlists |  *Jumlah centroid yang akan dibangun dalam indeks kapan `index_type` adalah faiss. IVFFlat*atau *FAISS.IVFPQ*. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: *auto*, yang menyelesaikan ke. `sqrt(sample_size)`  | 
| faiss\$1index\$1pq\$1m |  *Jumlah sub-komponen vektor yang akan dibangun dalam indeks ketika `index_type` diatur ke FAISS.IVFPQ.*  Pustaka FaceBook AI Similarity Search (FAISS) mensyaratkan bahwa nilai `faiss_index_pq_m` adalah pembagi dimensi data.  Jika `faiss_index_pq_m` bukan pembagi dimensi data, kami meningkatkan dimensi data menjadi bilangan bulat terkecil yang dapat dibagi dengan. `faiss_index_pq_m` Jika tidak ada pengurangan dimensi yang diterapkan, algoritma menambahkan padding nol. Jika pengurangan dimensi diterapkan, algoritma meningkatkan nilai parameter `dimension_reduction_target` hiper. **Opsional** Nilai yang valid: Salah satu bilangan bulat positif berikut: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96  | 
| index\$1metric |  Metrik untuk mengukur jarak antar titik saat menemukan tetangga terdekat. Saat berlatih dengan `index_type` set to`faiss.IVFPQ`, `INNER_PRODUCT` jarak dan `COSINE` kesamaan tidak didukung. **Opsional** *Nilai valid: *L2* untuk jarak Euclidean, *INNER\$1PRODUCT untuk jarak produk dalam, COSINE* untuk kesamaan kosinus.* Nilai default: *L2*  | 
| index\$1type |  Jenis indeks. **Opsional** *Nilai yang valid: *Faiss.flat, faiss*. IVFFlat*, *FAISS.IVFPQ*. Nilai default: *Faiss.flat*  | 
| mini\$1batch\$1size |  Jumlah pengamatan per mini-batch untuk iterator data.  **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 5000  |