As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

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

A tabela a seguir lista os hiperparâmetros que você pode definir para o algoritmo de k-vizinhos mais próximos (k-NN) da Amazon SageMaker AI.


| Nome do parâmetro | Description | 
| --- | --- | 
| feature\_dim | O número de atributos nos dados de entrada.<br />**Obrigatório**<br />Valores válidos: inteiro positivo. | 
| k | O número de vizinhos mais próximos.<br />**Obrigatório**<br />Valores válidos: inteiro positivo | 
| predictor\_type | O tipo de inferência a ser usada nos rótulos de dados.<br />**Obrigatório**<br />Valores válidos: *classificador* para classificação ou *regressor* para regressão. | 
| sample\_size | O número de pontos de dados dos quais obter uma amostra no conjunto de dados de treinamento. <br />**Obrigatório**<br />Valores válidos: inteiro positivo | 
| dimension\_reduction\_target | A dimensão de destino para a qual reduzir.<br />**Obrigatório** quando você especifica o parâmetro `dimension_reduction_type`.<br />Valores válidos: inteiro positivo maior que 0 e menor que `feature_dim`. | 
| dimension\_reduction\_type | O tipo de método de redução da dimensão. <br />**Opcional**<br />Valores válidos: *sinal* para projeção aleatória ou *fjlt* para a transformação rápida. Johnson-Lindenstrauss<br />Valor padrão: Nenhuma redução da dimensão | 
| faiss\_index\_ivf\_nlists | O número de centroides a serem construídos no índice quando `index_type` é *faiss.IVFFlat* ou *faiss.IVFPQ*.<br />**Opcional**<br />Valores válidos: inteiro positivo<br />Valor padrão: *auto*, que é resolvido como `sqrt(sample_size)`. | 
| faiss\_index\_pq\_m | O número de subcomponentes vetoriais a serem construídos no índice quando `index_type` está definido como *faiss.IVFPQ*. <br />A biblioteca FaceBook AI Similarity Search (FAISS) exige que o valor de `faiss_index_pq_m` seja um divisor da dimensão dos  dados. Se `faiss_index_pq_m` não for um divisor da dimensão de dados, aumentaremos a dimensão de dados para o menor número inteiro divisível por `faiss_index_pq_m`. Se nenhuma redução de dimensão for aplicada, o algoritmo adicionará um preenchimento de zeros. Se a redução de dimensão for aplicada, o algoritmo aumentará o valor do hiperparâmetro `dimension_reduction_target`.<br />**Opcional**<br />Valores válidos: Um dos seguintes números inteiros positivos: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96 | 
| index\_metric | A métrica para medir a distância entre os pontos ao encontrar os vizinhos mais próximos. Ao treinar com `index_type` definido como `faiss.IVFPQ`, a distância `INNER_PRODUCT` e a similaridade `COSINE` não são compatíveis.<br />**Opcional**<br />*Valores válidos: *L2* para Euclidean-distance, *INNER\_PRODUCT para distância interna do produto*, COSENO para similaridade de cosseno.*<br />Valor padrão: *L2* | 
| index\_type | O tipo de índice.<br />**Opcional**<br />Valores válidos: *faiss.Flat*, *faiss.IVFFlat*, *faiss.IVFPQ*.<br />Valores padrão: *faiss.Flat* | 
| mini\_batch\_size | O número de observações por minilote para o iterador de dados. <br />**Opcional**<br />Valores válidos: inteiro positivo<br />Valor padrão: 5000 |