K-Nearest Neighbors (KNN) Nedir?

KNN algoritmasında feature scaling önemi

Machine Learning’de bazı algoritmalar karar verirken çevresindeki verilere bakarak tahmin yapar. İşte bu yaklaşımın en popüler örneklerinden biri:

👉 K-Nearest Neighbors (KNN)

algoritmasıdır.

KNN, yeni bir verinin hangi sınıfa ait olduğunu en yakın komşularına bakarak tahmin eden basit ama güçlü bir machine learning algoritmasıdır.

Özellikle:

• classification
• regression

problemlerinde kullanılır.

📌 KNN Nasıl Çalışır?

KNN algoritmasının temel mantığı oldukça basittir:

👉 “Benzer veriler birbirine yakındır.”

Model:

• yeni gelen veriyi inceler
• veri setindeki en yakın komşuları bulur
• çoğunluk hangi sınıftaysa tahmini o yönde yapar.

Machine learning’de KNN algoritmasının çalışma mantığı

⚙️ “K” Değeri Nedir?

KNN’deki: 👉 K

değeri, kaç komşunun dikkate alınacağını belirtir.

Örneğin:

• K = 3 → en yakın 3 komşu
• K = 5 → en yakın 5 komşu

Model: 👉 bu komşuların çoğunluk sınıfına göre karar verir.

📊 Majority Voting Mantığı

Örneğin:

• en yakın 5 komşudan
• 4’ü kırmızı
• 1’i mavi

ise model: 👉 kırmızı sınıfını tahmin eder.

Bu yöntem: 👉 majority voting

olarak adlandırılır.

KNN algoritmasında majority voting mantığı

📉 Distance (Mesafe) Neden Önemli?

KNN: 👉 veriler arasındaki mesafeyi hesaplar.

En yaygın kullanılan yöntem: 👉 Euclidean Distance

formülüdür.

Bu yöntem:

• iki nokta arasındaki uzaklığı ölçer.

Veriler arası mesafe ölçümü

🚀 KNN Avantajları

✅ Basit ve anlaşılırdır

Öğrenmesi oldukça kolaydır.

✅ Eğitim süreci yoktur

KNN lazy learning algoritmasıdır.

✅ Hem classification hem regression için kullanılabilir

⚠️ KNN Dezavantajları

❌ Büyük veri setlerinde yavaş olabilir

Çünkü tüm verilerle mesafe hesaplanır.

❌ Feature Scaling önemlidir

Büyük ölçekli feature’lar modeli etkileyebilir.

❌ Outlier’lardan etkilenebilir

🧪 Python ile KNN Örneği

from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_iris

# Veri seti
iris = load_iris()

X = iris.data
y = iris.target

# Model
model = KNeighborsClassifier(n_neighbors=3)

# Eğitim
model.fit(X, y)

# Tahmin
prediction = model.predict([X[0]])

print("Tahmin:", prediction)

✍️ Kod Açıklaması

Bu örnekte:

• KNeighborsClassifier kullanılarak KNN modeli oluşturulmuştur
• n_neighbors=3 → en yakın 3 komşu dikkate alınır
• model iris veri setiyle eğitilmiştir
• daha sonra tahmin yapılmıştır

KNN modeli en yakın komşulara göre karar verir.

📈 KNN Nerelerde Kullanılır?

• Recommendation Systems
• Image Classification
• Pattern Recognition
• Fraud Detection
• Customer Segmentation

Özellikle küçük ve orta ölçekli veri setlerinde etkili olabilir.

🧠 Sonuç

K-Nearest Neighbors (KNN), machine learning’de en anlaşılır ve sezgisel algoritmalardan biridir.

Yeni verileri: 👉 en yakın komşularına bakarak sınıflandırır.

Basit yapısına rağmen birçok classification probleminde başarılı sonuçlar verebilir. Ancak büyük veri setlerinde performans maliyeti artabilir ve feature scaling oldukça önemlidir.

KNN algoritmasını anlamak: 👉 distance-based machine learning mantığını öğrenmek için oldukça faydalıdır.