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\_dim | Il numero di caratteristiche nei dati di input.<br />**Campo obbligatorio**<br />Valori validi: numeri interi positivi. | 
| k | Il numero di neighbors più vicini.<br />**Campo obbligatorio**<br />Valori validi: numeri interi positivi | 
| predictor\_type | Il tipo di inferenza da utilizzare sulle etichette dei dati.<br />**Campo obbligatorio**<br />Valori validi: *classifier* per la classificazione o *regressor* per la regressione. | 
| sample\_size | Il numero di punti di dati da campionare dal set di dati di addestramento. <br />**Campo obbligatorio**<br />Valori validi: numeri interi positivi | 
| dimension\_reduction\_target | La dimensione di target ridotta da impostare.<br />**Obbligatorio** quando viene specificato il parametro `dimension_reduction_type`.<br />Valori validi: numeri interi positivi maggiori di 0 e minori di `feature_dim`. | 
| dimension\_reduction\_type | Il tipo di metodo di riduzione delle dimensioni. <br />**Opzionale**<br />*Valori validi: *segno* per la proiezione casuale o fjlt per la trasformazione rapida.* Johnson-Lindenstrauss<br />Valore predefinito: nessuna riduzione della dimensione | 
| faiss\_index\_ivf\_nlists | Il numero di centroidi da costruire nell'indice quando `index_type` è *faiss.IVFFlat* o *faiss.IVFPQ*.<br />**Opzionale**<br />Valori validi: numeri interi positivi<br />Valore predefinito: *auto*, che viene risolto in `sqrt(sample_size)`. | 
| faiss\_index\_pq\_m | Il numero di sottocomponenti vettoriali da costruire nell'indice quando `index_type` è impostato su *faiss.IVFPQ*. <br />La libreria FaceBook AI Similarity Search (FAISS) richiede che il valore di `faiss_index_pq_m` sia un divisore della dimensione dei 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`.<br />**Opzionale**<br />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\_metric | 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.<br />**Opzionale**<br />*Valori validi: *L2* per Euclidean-distance, *INNER\_PRODUCT per la distanza interna del prodotto*, COSINE per la somiglianza del coseno.*<br />Valore predefinito: *L2* | 
| index\_type | Tipo di indice.<br />**Opzionale**<br />Valori validi: *faiss.Flat*, *faiss.IVFFlat*, *faiss.IVFPQ*.<br />Valore predefinito: *faiss.Flat* | 
| mini\_batch\_size | Il numero di osservazioni per ogni mini batch per l'iterazione di dati. <br />**Opzionale**<br />Valori validi: numeri interi positivi<br />Valore predefinito: 5000 |