기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
k-NN 하이퍼파라미터
파라미터 이름 | 설명 |
---|---|
feature_dim |
입력 데이터의 특징 수. 필수 유효한 값: 양수. |
k |
가장 가까운 이웃 수. 필수 유효한 값: 양수 |
predictor_type |
데이터 레이블에 사용할 추론 유형. 필수 유효한 값: 분류의 경우 분류자 또는 회귀의 경우 regressor |
sample_size |
훈련 데이터 세트에서 샘플링할 데이터 포인트의 총 수. 필수 유효한 값: 양수 |
dimension_reduction_target |
줄일 대상 차원.
유효한 값: 0보다 크고 |
dimension_reduction_type |
차원 감소 메서드 유형. 선택 사항 유효한 값: 무작위 투영의 경우 sign 또는 빠른 Johnson-Lindenstrauss 변환의 경우 fjlt 기본값: 차원 감소 없음 |
faiss_index_ivf_nlists |
선택 사항 유효한 값: 양수 기본값: 자동이며 |
faiss_index_pq_m |
FaceBook AI 유사성 검색 (FAIS) 라이브러리에서는 의 선택 사항 유효한 값: 다음 정수 중 하나: 1, 2, 3, 4, 8, 12, 16, 20, 24, 28, 32, 40, 48, 56, 64, 96 |
index_metric |
가장 가까운 이웃을 찾을 때 지점 간 거리를 측정하는 지표. 선택 사항 유효한 값: 유클리드 거리의 경우 L2, 내적 거리의 경우 INNER_PRODUCT, 코사인 유사도의 경우 COSINE. 기본값: L2 |
index_type |
인덱스의 유형. 선택 사항 유효한 값: faiss.Flat, faiss.IVFFlat, faiss.IVFPQ. 기본값: faiss.Flat |
mini_batch_size |
데이터 반복자의 미니 배치당 관측치의 수. 선택 사항 유효한 값: 양수 기본값: 5000 |