Hyperparamètres k-NN

Nom du paramètre	Description
feature_dim	Nombre de caractéristiques des données d'entrée. Obligatoire Valeurs valides : nombre entier positif.
k	Le nombre de plus proches voisins. Obligatoire Valeurs valides : nombre entier positif
predictor_type	Type d'inférence à utiliser sur les étiquettes de données. Obligatoire Valeurs valides : classifier (classificateur) pour la classification ou regressor (régresseur) pour la régression.
sample_size	Nombre de points de données à échantillonner à partir du jeu de données de l'apprentissage. Obligatoire Valeurs valides : nombre entier positif
dimension_reduction_target	Dimension cible de la réduction. Obligatoire lorsque vous spécifiez le paramètre dimension_reduction_type. Valeurs valides : nombre entier positif supérieur à 0 et inférieur à feature_dim.
dimension_reduction_type	Type de la méthode de réduction de dimension. Facultatif Valeurs valides : sign pour la projection aléatoire ou fjlt pour FJLT (Fast Lindenstrauss-Johnson Transform). Valeur par défaut : Pas de réduction de dimension
faiss_index_ivf_nlists	Nombre de centroïdes à construire dans l'index quand index_type a la valeur faiss.IVFFlat ou faiss.IVFPQ. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : auto, qui se résout en sqrt(sample_size).
faiss_index_pq_m	Nombre de sous-composants de vecteurs à construire dans l'index lorsque index_type a la valeur faiss.IVFPQ. La bibliothèque FAISS (FaceBook AI Similarity Search) exige que la valeur de faiss_index_pq_m soit un diviseur de la dimension de données. Si faiss_index_pq_m n'est pas un diviseur de la dimension de données, nous augmentons la dimension de données au plus petit nombre entier divisible par faiss_index_pq_m. Si aucune réduction de dimension ne s'applique, l'algorithme complète à l'aide de zéros. Si la réduction de dimension s'applique, l'algorithme augmente la valeur de l'hyperparamètre dimension_reduction_target. Facultatif Valeurs valides : l'un des nombres entiers positifs suivants : 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96
index_metric	Métrique permettant de mesurer la distance entre les points lors de la recherche des plus proches voisins. Lorsque la formation a lieu avec index_type défini sur faiss.IVFPQ, la distance INNER_PRODUCT et la similarité COSINE ne sont pas prises en charge. Facultatif Valeurs valides : L2 pour la distance euclidienne, INNER_PRODUCT pour la distance produit interne et COSINE pour la similarité de cosinus. Valeur par défaut : L2
index_type	Type d'index. Facultatif Valeurs valides : faiss.Flat, faiss.IVFFlat, faiss.IVFPQ.. Valeurs par défaut : faiss.Flat
mini_batch_size	Nombre d'observations par mini-lot pour l'itérateur de données. Facultatif Valeurs valides : nombre entier positif Valeur par défaut : 5000