Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
บทความนี้ต้องการการจัดหน้า หรือ ให้ คุณสามารถปรับปรุงแก้ไขบทความนี้ได้ และนำป้ายออก พิจารณาใช้เพื่อชี้ชัดข้อบกพร่อง |
ลิงก์ข้ามภาษาในบทความนี้ มีไว้ให้ผู้อ่านและผู้ร่วมแก้ไขบทความศึกษาเพิ่มเติมโดยสะดวก เนื่องจากวิกิพีเดียภาษาไทยยังไม่มีบทความดังกล่าว กระนั้น ควรรีบสร้างเป็นบทความโดยเร็วที่สุด |
ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด (อังกฤษ: K-Nearest Neighbour Algorithm) เป็นวิธีที่ใช้ในการจัดแบ่งคลาส โดยเทคนิคนี้จะตัดสินใจว่า คลาสใดที่จะแทนเงื่อนไขหรือกรณีใหม่ๆ ได้บ้าง โดยการตรวจสอบจำนวนบางจำนวน (“K” ในขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด) ของกรณีหรือเงื่อนไขที่เหมือนกันหรือใกล้เคียงกันมากที่สุด โดยจะหาผลรวม (Count Up) ของจำนวนเงื่อนไข หรือกรณีต่างๆ สำหรับแต่ละคลาส และกำหนดเงื่อนไขใหม่ๆ ให้คลาสที่เหมือนกันกับคลาสที่ใกล้เคียงกันมากที่สุด
ตัวอย่าง
กำหนดให้จุดที่พิจารณาคือ วงกลมสีเขียว ควรจัดกลุ่มให้จุดที่สนใจไปอยู่ใน คลาสแรกของสี่เหลี่ยมสีน้ำเงิน หรือ คลาสสองของสามเหลี่ยมสีแดง
- ถ้า k=3 แล้ว วงกลมสีเขียวจะอยู่ในคลาสสอง เพราะมี สี่เหลี่ยม 1 รูป และ สามเหลี่ยม 2 รูป อยู่ในวงกลมวงใน
- ถ้า k=5 แล้ว วงกลมสีเขียวจะอยู่ในคลาสแรก เพราะมี สี่เหลี่ยม 3 รูป และ สามเหลี่ยม 2 รูป อยู่ในวงกลมวงนอก
ขั้นตอนวิธี
การนำเทคนิคของขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดไปใช้นั้น เป็นการหาระยะห่างระหว่างแต่ละตัวแปร (Attribute) ในข้อมูล จากนั้นก็คำนวณค่าออกมา ซึ่งวิธีนี้จะเหมาะสำหรับข้อมูลแบบตัวเลข แต่ตัวแปรที่เป็นค่าแบบไม่ต่อเนื่องนั้นก็สามารถทำได้ เพียงแต่ต้องการการจัดการแบบพิเศษเพิ่มขึ้น อย่างเช่น ถ้าเป็นเรื่องของสี เราจะใช้อะไรวัดความแตกต่างระหว่างสีน้ำเงินกับสีเขียว ต่อจากนั้นเราต้องมีวิธีในการรวมค่าระยะห่างของ Attribute ทุกค่าที่วัดมาได้ เมื่อสามารถคำนวณระยะห่างระหว่างเงื่อนไขหรือกรณีต่างๆ ได้ จากนั้นก็เลือกชุดของเงื่อนไขที่ใช้จัดคลาส มาเป็นฐานสำหรับการจัดคลาสในเงื่อนไขใหม่ๆ ได้แล้วเราจะตัดสินได้ว่าขอบเขตของจุดข้างเคียงที่ควรเป็นนั้น ควรมีขนาดใหญ่เท่าไร และอาจมีการตัดสินใจได้ด้วยว่าจะนับจำนวนจุดข้างเคียงตัวมันได้อย่างไร โดยขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดมีขั้นตอนโดยสรุป ดังนี้
- กำหนดขนาดของ K (ควรกำหนดให้เป็นเลขคี่)
- คำนวณระยะห่าง (Distance) ของข้อมูลที่ต้องการพิจารณากับกลุ่มข้อมูลตัวอย่าง
- จัดเรียงลำดับของระยะห่าง และเลือกพิจารณาชุดข้อมูลที่ใกล้จุดที่ต้องการพิจารณาตามจำนวน K ที่กาหนดไว้
- พิจารณาข้อมูลจำนวน k ชุด และสังเกตว่ากลุ่ม (class) ไหนที่ใกล้จุดที่พิจารณาเป็นจำนวนมากที่สุด
- กำหนด class ให้กับจุดที่พิจารณา (class) ที่ใกล้จุดพิจารณามากที่สุด
การดำเนินการหลัก
- ฟังก์ชันระยะทาง (Distance Function) เป็นการคำนวณค่าระยะห่างระหว่างสองเรคคอร์ด เพื่อที่จะมาวัดความคล้ายคลึงกันของข้อมูล
- ฟังก์ชันการแจกแจง (Combination Function) เป็นการรวมกันของผลลัพธ์ที่ได้จากการคำนวณค่าระยะห่าง (Distance) โดยทำการเรียงลำดับค่าระยะห่าง (Distance) จากน้อยไปมาก หลังจากนั้นดูจากค่า “K” ว่ากำหนดเป็นเท่าไร แล้วนำลำดับที่เรียงได้มาเทียบกับคลาสข้อมูลที่เรียงแล้วนำมาตอบ
คุณสมบัติของฟังก์ชันระยะทาง (Distance Function)
- ค่าระยะทาง (ความห่าง) ที่คำนวณได้ต้องไม่ติดลบ
- ถ้าตำแหน่งเดียวกัน ฟังก์ชันต้องเป็นศูนย์ (ค่าเหมือนกัน)
- การคำนวณวัดระยะทางไปกลับต้องเท่ากัน
การคำนวณค่าฟังก์ชันระยะทาง
- ใส่ค่าสัมบูรณ์ (Absolute) ให้กับค่าระยะห่าง : |A-B|
- ยกกำลังสองให้กับค่าระยะห่าง : (A-B)2
- ทำการปรับให้เป็นค่ามาตรฐาน: | (A-mean)/(SD) - (B-mean)/(SD)|
การรวมค่าระยะทาง (Distance) ในเรคคอร์ด (Record)
- การวัดระยะแบบแมนฮัตตัน (Manhattan distance) เป็นการนำค่าที่คำนวณได้ในหนึ่งเรคคอร์ด (Record) มารวมกัน
- ระยะทางแบบยุคลิด (Euclidean distance) เป็นการหารากที่สอง (Square Root) ในแต่ละตัวแปร (attribute) แล้วนำมารวมกัน แล้วนำค่าที่คำนวณได้ในหนึ่งเรคคอร์ด (Record) มารวมกัน
ตัวอย่าง
การใช้ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด.
| Data | X1 | X2 | Y (Class) | Distance | Nearest Sign |
| D1 | 6 | 1 | + | 3.6 | + |
| D2 | 7 | 6 | + | 2.2 | + |
| D3 | 6 | 4 | - | 2 | - |
| D4 | 8 | 6 | - | 2 | - |
| D5 | 4 | 4 | - | 4 | |
| D6 | 3 | 1 | + | 5.8 | |
| D7 | 6 | 10 | - | 6.3 | |
| D8 | 6 | 6 | + | 8 | |
| D9 | 10 | 6 | - | 2.8 | - |
| 3 | 3 | ? | |||
| K=5 |
จากตัวอย่างข้างต้น กำหนดให้ k= 5
ดังนั้น สังเกตได้ว่า ระยะทางที่ใกล้กับจุด (3,3) มากที่สุด คือ 5 มีลำดับ คือ D1 (+), D2 (+), D3 (-), D4 (-), D9 (-)
จากระยะทางที่ใกล้ที่สุดทั้ง 5 ให้สังเกตว่ากลุ่ม (class) ที่มีจำนวนมากที่สุด ปรากฏว่าคือ class (-) ดังนั้น จึงกำหนดกลุ่ม (class) ให้กับจุด (3,3) คือ class (-)
ตัวอย่างการประยุกต์ใช้งาน
ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด ได้มีการนำไปใช้ประโยชน์ในหลากหลายด้าน ได้แก่
- การวิเคราะห์รูปแบบการบุกรุกเครือข่ายคอมพิวเตอร์ โดยขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด กล่าวคือ มีการประยุกต์ใช้ในการตรวจสอบความปลอดภัยในเครือข่ายระบบคอมพิวเตอร์ ซึ่งจะใช้ตัวแปร K ในการวิเคราะห์ข้อมูล และจำแนกประเภทของข้อมูลที่มีขนาดใหญ่ๆ ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด สามารถใช้ในการวิเคราะห์ข้อมูลได้เป็นอย่างดี
- ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด เป็นเทคนิคหนึ่งของ Data Mining ที่ใช้ในการแก้ปัญหาแบบ classification ในการผลิต ผลิตภัณฑ์ด้าน Data Mining ในปัจจุบัน
- ประยุกต์ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดและการคำนวณอย่างอ่อน (Soft Computing) เพื่อใช้ประมาณค่าสูญหายของข้อมูล โดยจะใช้ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดในการหาสมาชิกที่มีความใกล้ชิดกับข้อมูลที่สูญหายมา k ตัว แล้วนำจำนวน k มาหารเพื่อประมาณค่า และได้ปรับปรุงตัวหารด้วยการนำ หลักการคำนวณอย่างอ่อน (Soft Computing) เข้ามาช่วยในการปรับค่า k เรียกวิธีการนี้ว่า ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดอย่างอ่อน (Soft K-Nearest Neighbour)
- ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด ใช้ในการหามัธยฐานของตัวเลข n ตัวที่ต่างกัน โดยมีประสิทธิภาพการทำงานเป็น O (n)
สรุป
ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด เป็นอัลกอลิทึมที่ใช้ในการจัดกลุ่มข้อมูล โดยการจัดข้อมูลที่อยู่ใกล้กันให้เป็นกลุ่มเดียวกันซึ่งเทคนิคนี้จะทำให้ตัดสินใจได้ว่า คลาสไหนที่จะแทนเงื่อนไขหรือกรณีใหม่ๆได้บ้าง โดยการตรวจสอบจำนวน K ซึ่งถ้าหากเงื่อนไขของการตัดสินใจมีความซับซ้อน วิธีนี้สามารถสร้างโมเดลที่มีประสิทธิภาพได้ แต่ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดจะใช้ระยะเวลาในการคำนวณนาน ถ้าตัวแปร (Attribute) มีจำนวนมากจะเกิดปัญหาในการคำนวณค่า และค่อนข้างใช้ปริมาณงานในการคำนวณสูงมากบนคอมพิวเตอร์ เพราะเวลาที่ใช้สำหรับการคำนวณจะ เพิ่มขึ้นแบบแฟคทอเรียลตามจำนวนจุดทั้งหมด ดังนั้นเพื่อจะเพิ่มความรวดเร็วสำหรับเทคนิคขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดให้มากขึ้น ข้อมูลทั้งหมดที่ใช้บ่อยจะต้องถูกเก็บไว้ในหน่วยความจำ (Memory) โดยวิธีการเข้าถึงหน่วยความจำพื้นฐานอย่างมีเหตุผล (Memory-Based Reasoning) ซึ่งจะเป็นวิธีที่นำมาอ้างถึงเป็นประจำ ในการจัดเก็บกลุ่มคลาสของขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดในหน่วยความจำ และ ถ้าหากข้อมูลที่ต้องการหาคำตอบมีตัวแปรอิสระเพียงไม่กี่ตัวแล้ว จะทำให้เราสามารถเข้าใจ โมเดลขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด ได้ง่ายขึ้น ตัวแปรเหล่านี้ยังมีประโยชน์สำหรับนำมาสร้างโมเดลต่างๆ ที่เกี่ยวข้องกับชนิดของข้อมูลที่ไม่เป็นมาตรฐาน เช่น ข้อความ (Text) เพียงแต่อาจต้องมีมาตรฐานการวัดค่าสำหรับชนิดของข้อมูลดังกล่าวที่เหมาะสมด้วย นอกจากนี้ประสิทธิภาพของขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุดนี้ จะขึ้นอยู่กับจำนวนระยะห่าง การอธิบายระหว่างข้อมูลทั้งคู่ ที่สามารถแบ่งแยกอย่างมีประสิทธิภาพระหว่างข้อมูลปกติ และข้อมูลผิดปกติ การอธิบายจำนวนระยะห่างระหว่างขอมูลเป็นความท้าทายอย่างมากเมื่อข้อมูลมีความซับซ้อน อย่างเช่น ข้อมูลกราฟ และข้อมูลแบบลำดับ เป็นต้น
ปัญหาที่เกี่ยวข้อง
- ต้นไม้ K-D
- การทำเหมืองข้อมูล
viedo ที่เกี่ยวข้อง
- K-nearest neighbor classification 2009-08-31 ที่ เวย์แบ็กแมชชีน
- Dualtree K-Nearest Neighbor[]
- Random 3D Nearest Neighbor Networks
- Random 2D Nearest Neighbor Networks
- Nearest Neighbor Graph Connections
ดูเพิ่ม
- http://www.scholarpedia.org/article/K-nearest_neighbor
- http://www.statsoft.com/textbook/k-nearest-neighbors/#distanceweighting
- http://cgm.cs.mcgill.ca/~soss/cs644/projects/simard/ 2011-10-22 ที่ เวย์แบ็กแมชชีน
- http://www.docstoc.com/docs/42043096/Automatic-Face-Recognition-System-using-P-tree-and-K-Nearest-Neighbor
อ้างอิง
- Gregory Shakhnarovich, Trevor Darrell, Piotr Indyk. “Nearest-Neighbor Methods in Learning and Vision: Theory and Practice (Neural Information Processing series) ”
- Pattern Synthesis, Compact Data Representation and other Schemes. “Improvements to Nearest Neighbor Classifier”
- Gregory Shakhnarovich, Piotr Indyk , Trevor Darrell. “Nearest-Neighbor Methods In Learning And Vision: Theory And Practice) ”
- Frances Browne. “The Nearest Neighbor: and Other Stories”
แหล่งข้อมูล
- http://ebookee.org/Nearest-Neighbor-Methods-in-Learning-and-Vision-Theory-and-Practice-Neural-Information-Processing-series_1228077.html 2011-09-17 ที่ เวย์แบ็กแมชชีน (หนังสือ)
- http://www.bod.com/index.php?id=3435&objk_id=561180[] (หนังสือ)
- http://www.flipkart.com/books/026219547x[] (หนังสือ)
- http://www.alibris.com/booksearch.detail?invid=10545538960&browse=1&qwork=12018395&qsort=&page=1 (หนังสือ)
wikipedia, แบบไทย, วิกิพีเดีย, วิกิ หนังสือ, หนังสือ, ห้องสมุด, บทความ, อ่าน, ดาวน์โหลด, ฟรี, ดาวน์โหลดฟรี, mp3, วิดีโอ, mp4, 3gp, jpg, jpeg, gif, png, รูปภาพ, เพลง, เพลง, หนัง, หนังสือ, เกม, เกม, มือถือ, โทรศัพท์, Android, iOS, Apple, โทรศัพท์โมบิล, Samsung, iPhone, Xiomi, Xiaomi, Redmi, Honor, Oppo, Nokia, Sonya, MI, PC, พีซี, web, เว็บ, คอมพิวเตอร์
bthkhwamnitxngkarkarcdhna cdhmwdhmu islingkphayin hruxekbkwadenuxha ihmikhunphaphdikhun khunsamarthprbprungaekikhbthkhwamniid aelanapayxxk phicarnaichpaykhxkhwamxunephuxchichdkhxbkphrxnglingkkhamphasa inbthkhwamni miiwihphuxanaelaphurwmaekikhbthkhwamsuksaephimetimodysadwk enuxngcakwikiphiediyphasaithyyngimmibthkhwamdngklaw krann khwrribsrangepnbthkhwamodyerwthisud khntxnwithikarephuxnbaniklthisud xngkvs K Nearest Neighbour Algorithm epnwithithiichinkarcdaebngkhlas odyethkhnikhnicatdsinicwa khlasidthicaaethnenguxnikhhruxkrniihm idbang odykartrwcsxbcanwnbangcanwn K inkhntxnwithikarephuxnbaniklthisud khxngkrnihruxenguxnikhthiehmuxnknhruxiklekhiyngknmakthisud odycahaphlrwm Count Up khxngcanwnenguxnikh hruxkrnitang sahrbaetlakhlas aelakahndenguxnikhihm ihkhlasthiehmuxnknkbkhlasthiiklekhiyngknmakthisudtwxyangtwxyangkarcdklumkhxmulkhxngkhntxnwithikarephuxnbaniklthisud kahndihcudthiphicarnakhux wngklmsiekhiyw khwrcdklumihcudthisnicipxyuin khlasaerkkhxngsiehliymsinaengin hrux khlassxngkhxngsamehliymsiaedng tha k 3 aelw wngklmsiekhiywcaxyuinkhlassxng ephraami siehliym 1 rup aela samehliym 2 rup xyuinwngklmwngin tha k 5 aelw wngklmsiekhiywcaxyuinkhlasaerk ephraami siehliym 3 rup aela samehliym 2 rup xyuinwngklmwngnxkkhntxnwithikarnaethkhnikhkhxngkhntxnwithikarephuxnbaniklthisudipichnn epnkarharayahangrahwangaetlatwaepr Attribute inkhxmul caknnkkhanwnkhaxxkma sungwithinicaehmaasahrbkhxmulaebbtwelkh aettwaeprthiepnkhaaebbimtxenuxngnnksamarththaid ephiyngaettxngkarkarcdkaraebbphiessephimkhun xyangechn thaepneruxngkhxngsi eracaichxairwdkhwamaetktangrahwangsinaenginkbsiekhiyw txcaknneratxngmiwithiinkarrwmkharayahangkhxng Attribute thukkhathiwdmaid emuxsamarthkhanwnrayahangrahwangenguxnikhhruxkrnitang id caknnkeluxkchudkhxngenguxnikhthiichcdkhlas maepnthansahrbkarcdkhlasinenguxnikhihm idaelweracatdsinidwakhxbekhtkhxngcudkhangekhiyngthikhwrepnnn khwrmikhnadihyethair aelaxacmikartdsiniciddwywacanbcanwncudkhangekhiyngtwmnidxyangir odykhntxnwithikarephuxnbaniklthisudmikhntxnodysrup dngni kahndkhnadkhxng K khwrkahndihepnelkhkhi khanwnrayahang Distance khxngkhxmulthitxngkarphicarnakbklumkhxmultwxyang cderiyngladbkhxngrayahang aelaeluxkphicarnachudkhxmulthiiklcudthitxngkarphicarnatamcanwn K thikahndiw phicarnakhxmulcanwn k chud aelasngektwaklum class ihnthiiklcudthiphicarnaepncanwnmakthisud kahnd class ihkbcudthiphicarna class thiiklcudphicarnamakthisudkardaeninkarhlkfngkchnrayathang Distance Function epnkarkhanwnkharayahangrahwangsxngerkhkhxrd ephuxthicamawdkhwamkhlaykhlungknkhxngkhxmul fngkchnkaraeckaecng Combination Function epnkarrwmknkhxngphllphththiidcakkarkhanwnkharayahang Distance odythakareriyngladbkharayahang Distance caknxyipmak hlngcaknnducakkha K wakahndepnethair aelwnaladbthieriyngidmaethiybkbkhlaskhxmulthieriyngaelwnamatxbkhunsmbtikhxngfngkchnrayathang Distance Function kharayathang khwamhang thikhanwnidtxngimtidlb thataaehnngediywkn fngkchntxngepnsuny khaehmuxnkn karkhanwnwdrayathangipklbtxngethaknkarkhanwnkhafngkchnrayathangiskhasmburn Absolute ihkbkharayahang A B ykkalngsxngihkbkharayahang A B 2 thakarprbihepnkhamatrthan A mean SD B mean SD karrwmkharayathang Distance inerkhkhxrd Record karwdrayaaebbaemnhttn Manhattan distance epnkarnakhathikhanwnidinhnungerkhkhxrd Record marwmkn rayathangaebbyukhlid Euclidean distance epnkarharakthisxng Square Root inaetlatwaepr attribute aelwnamarwmkn aelwnakhathikhanwnidinhnungerkhkhxrd Record marwmkntwxyangkarichkhntxnwithikarephuxnbaniklthisud Data X1 X2 Y Class Distance Nearest SignD1 6 1 3 6 D2 7 6 2 2 D3 6 4 2 D4 8 6 2 D5 4 4 4D6 3 1 5 8D7 6 10 6 3D8 6 6 8D9 10 6 2 8 3 3 K 5 caktwxyangkhangtn kahndih k 5 dngnn sngektidwa rayathangthiiklkbcud 3 3 makthisud khux 5 miladb khux D1 D2 D3 D4 D9 cakrayathangthiiklthisudthng 5 ihsngektwaklum class thimicanwnmakthisud praktwakhux class dngnn cungkahndklum class ihkbcud 3 3 khux class twxyangkarprayuktichngankhntxnwithikarephuxnbaniklthisud idmikarnaipichpraoychninhlakhlaydan idaek karwiekhraahrupaebbkarbukrukekhruxkhaykhxmphiwetxr odykhntxnwithikarephuxnbaniklthisud klawkhux mikarprayuktichinkartrwcsxbkhwamplxdphyinekhruxkhayrabbkhxmphiwetxr sungcaichtwaepr K inkarwiekhraahkhxmul aelacaaenkpraephthkhxngkhxmulthimikhnadihy khntxnwithikarephuxnbaniklthisud samarthichinkarwiekhraahkhxmulidepnxyangdi khntxnwithikarephuxnbaniklthisud epnethkhnikhhnungkhxng Data Mining thiichinkaraekpyhaaebb classification inkarphlit phlitphnthdan Data Mining inpccubn prayuktkhntxnwithikarephuxnbaniklthisudaelakarkhanwnxyangxxn Soft Computing ephuxichpramankhasuyhaykhxngkhxmul odycaichkhntxnwithikarephuxnbaniklthisudinkarhasmachikthimikhwamiklchidkbkhxmulthisuyhayma k tw aelwnacanwn k maharephuxpramankha aelaidprbprungtwhardwykarna hlkkarkhanwnxyangxxn Soft Computing ekhamachwyinkarprbkha k eriykwithikarniwa khntxnwithikarephuxnbaniklthisudxyangxxn Soft K Nearest Neighbour khntxnwithikarephuxnbaniklthisud ichinkarhamthythankhxngtwelkh n twthitangkn odymiprasiththiphaphkarthanganepn O n srupkhntxnwithikarephuxnbaniklthisud epnxlkxlithumthiichinkarcdklumkhxmul odykarcdkhxmulthixyuiklknihepnklumediywknsungethkhnikhnicathaihtdsinicidwa khlasihnthicaaethnenguxnikhhruxkrniihmidbang odykartrwcsxbcanwn K sungthahakenguxnikhkhxngkartdsinicmikhwamsbsxn withinisamarthsrangomedlthimiprasiththiphaphid aetkhntxnwithikarephuxnbaniklthisudcaichrayaewlainkarkhanwnnan thatwaepr Attribute micanwnmakcaekidpyhainkarkhanwnkha aelakhxnkhangichprimannganinkarkhanwnsungmakbnkhxmphiwetxr ephraaewlathiichsahrbkarkhanwnca ephimkhunaebbaefkhthxeriyltamcanwncudthnghmd dngnnephuxcaephimkhwamrwderwsahrbethkhnikhkhntxnwithikarephuxnbaniklthisudihmakkhun khxmulthnghmdthiichbxycatxngthukekbiwinhnwykhwamca Memory odywithikarekhathunghnwykhwamcaphunthanxyangmiehtuphl Memory Based Reasoning sungcaepnwithithinamaxangthungepnpraca inkarcdekbklumkhlaskhxngkhntxnwithikarephuxnbaniklthisudinhnwykhwamca aela thahakkhxmulthitxngkarhakhatxbmitwaeprxisraephiyngimkitwaelw cathaiherasamarthekhaic omedlkhntxnwithikarephuxnbaniklthisud idngaykhun twaeprehlaniyngmipraoychnsahrbnamasrangomedltang thiekiywkhxngkbchnidkhxngkhxmulthiimepnmatrthan echn khxkhwam Text ephiyngaetxactxngmimatrthankarwdkhasahrbchnidkhxngkhxmuldngklawthiehmaasmdwy nxkcakniprasiththiphaphkhxngkhntxnwithikarephuxnbaniklthisudni cakhunxyukbcanwnrayahang karxthibayrahwangkhxmulthngkhu thisamarthaebngaeykxyangmiprasiththiphaphrahwangkhxmulpkti aelakhxmulphidpkti karxthibaycanwnrayahangrahwangkhxmulepnkhwamthathayxyangmakemuxkhxmulmikhwamsbsxn xyangechn khxmulkraf aelakhxmulaebbladb epntnpyhathiekiywkhxngtnim K D karthaehmuxngkhxmulviedo thiekiywkhxngK nearest neighbor classification 2009 08 31 thi ewyaebkaemchchin Dualtree K Nearest Neighbor lingkesiy Random 3D Nearest Neighbor Networks Random 2D Nearest Neighbor Networks Nearest Neighbor Graph Connectionsduephimhttp www scholarpedia org article K nearest neighbor http www statsoft com textbook k nearest neighbors distanceweighting http cgm cs mcgill ca soss cs644 projects simard 2011 10 22 thi ewyaebkaemchchin http www docstoc com docs 42043096 Automatic Face Recognition System using P tree and K Nearest NeighborxangxingGregory Shakhnarovich Trevor Darrell Piotr Indyk Nearest Neighbor Methods in Learning and Vision Theory and Practice Neural Information Processing series Pattern Synthesis Compact Data Representation and other Schemes Improvements to Nearest Neighbor Classifier Gregory Shakhnarovich Piotr Indyk Trevor Darrell Nearest Neighbor Methods In Learning And Vision Theory And Practice Frances Browne The Nearest Neighbor and Other Stories aehlngkhxmulhttp ebookee org Nearest Neighbor Methods in Learning and Vision Theory and Practice Neural Information Processing series 1228077 html 2011 09 17 thi ewyaebkaemchchin hnngsux http www bod com index php id 3435 amp objk id 561180 lingkesiy hnngsux http www flipkart com books 026219547x lingkesiy hnngsux http www alibris com booksearch detail invid 10545538960 amp browse 1 amp qwork 12018395 amp qsort amp page 1 hnngsux