Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

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

La tabella seguente elenca gli iperparametri che puoi impostare per l'algoritmo k-NN (k-NN) di Amazon SageMaker AI.


| Nome parametro | Description | 
| --- | --- | 
| feature\$1dim |  Il numero di caratteristiche nei dati di input. **Campo obbligatorio** Valori validi: numeri interi positivi.  | 
| k |  Il numero di neighbors più vicini. **Campo obbligatorio** Valori validi: numeri interi positivi  | 
| predictor\$1type |  Il tipo di inferenza da utilizzare sulle etichette dei dati. **Campo obbligatorio** Valori validi: *classifier* per la classificazione o *regressor* per la regressione.  | 
| sample\$1size |  Il numero di punti di dati da campionare dal set di dati di addestramento.  **Campo obbligatorio** Valori validi: numeri interi positivi  | 
| dimension\$1reduction\$1target |  La dimensione di target ridotta da impostare. **Obbligatorio** quando viene specificato il parametro `dimension_reduction_type`. Valori validi: numeri interi positivi maggiori di 0 e minori di `feature_dim`.  | 
| dimension\$1reduction\$1type |  Il tipo di metodo di riduzione delle dimensioni.  **Opzionale** Valori validi: *sign* per la proiezione casuale o *fjlt* per la trasformazione veloce Johnson-Lindenstrauss. Valore predefinito: nessuna riduzione della dimensione  | 
| faiss\$1index\$1ivf\$1nlists |  *Il numero di centroidi da costruire nell'indice quando è fisso. `index_type` *IVFFlat*o* Faiss.IVFPQ. **Opzionale** Valori validi: numeri interi positivi Valore predefinito: *auto*, che viene risolto in `sqrt(sample_size)`.  | 
| faiss\$1index\$1pq\$1m |  Il numero di sottocomponenti vettoriali da costruire nell'indice quando `index_type` è impostato su *faiss.IVFPQ*.  La libreria FaceBook AI Similarity Search (FAISS) richiede che il valore di sia un divisore della dimensione dei `faiss_index_pq_m` dati.  Se `faiss_index_pq_m` non è un divisore della dimensione dati, la dimensione dati viene aumentata al più piccolo intero divisibile per `faiss_index_pq_m`. Se non viene applicata nessuna riduzione di dimensione, l'algoritmo aggiunge un riempimento di zeri. Se viene applicata la riduzione di dimensione, l'algoritmo aumenta il valore dell'iperparametro `dimension_reduction_target`. **Opzionale** Valori validi: uno dei seguenti numeri interi positivi: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96  | 
| index\$1metric |  Il parametro per misurare la distanza tra i punti nella ricerca dei neighbors più vicini. Per l’addestramento con `index_type` impostato su `faiss.IVFPQ`, la distanza `INNER_PRODUCT` e la similarità `COSINE`non sono supportate. **Opzionale** Valori validi: *L2* per la distanza euclidea, *INNER\$1PRODUCT* per la distanza del prodotto interno, *COSINE* per la similarità del coseno. Valore predefinito: *L2*  | 
| index\$1type |  Tipo di indice. **Opzionale** *Valori validi: *faiss.flat, faiss*. *IVFFlat*, faiss.IVFPQ.* Valore predefinito: *faiss.Flat*  | 
| mini\$1batch\$1size |  Il numero di osservazioni per ogni mini batch per l'iterazione di dati.  **Opzionale** Valori validi: numeri interi positivi Valore predefinito: 5000  |