--- title: K-En Yakın Komşu Algoritması slug: k-en-yakin-komsu-algoritmasi-c20eb url: /detay/k-en-yakin-komsu-algoritmasi-c20eb type: article language: Türkçe entity: primary: K-En Yakın Komşu Algoritması type: article disambiguation: K-En Yakın Komşu (KNN) algoritmasıyla sınıflandırma ve regresyon yapın. Basit, yorumlanabilir ve hızlıdır. K ve mesafe ölçümünü doğru seçin. categories: - name: Yazılım Ve Yapay Zekâ slug: yazilim-ve-yapay-zeka url: /kategori/yazilim-ve-yapay-zeka tags: - Özellik Ölçeklendirme - Mesafe Ölçümleri - KNN - Regresyon - Sınıflandırma author: Tahsin Soyak created_at: 2025-06-29T14:23:38.227924+03:00 updated_at: 2025-07-09T13:50:06.699429+03:00 image: https://cdn.t3pedia.org/media/uploads/2025/06/29/mrg9A52ppXHC5FaMi0KcmLHAPef6e0Ue.png --- # K-En Yakın Komşu Algoritması ## Article Content **K-En Yakın Komşu (KNN)** algoritması, hem sınıflandırma hem de [regresyon](/tr/detay/lineer-regresyon-8bed3/llms.txt) problemleri için kullanılabilen, [denetimli öğrenmeye](/tr/detay/denetimli-ogrenme-3f18e/llms.txt) dayalı bir tembel öğrenme yöntemidir. [KNN algoritması](/tr/detay/k-nearest-neighbors-algorithm-3291f/llms.txt), parametre tahmini veya karmaşık model eğitimi gerektirmemesi bakımından literatürde *parametrik olmayan* bir yaklaşım olarak tanımlanır. Bu yöntem, tüm eğitim örneklerinin bellekte tutulmasına dayanır ve tahmin süreci, sorgu örneği ile eğitim örnekleri arasındaki mesafelerin hesaplanması yoluyla gerçekleştirilir. Bu bağlamda KNN, *örnek tabanlı öğrenme* yöntemleri arasında yer alır. ### **Avantajları** KNN algoritması, basit olmasına rağmen çeşitli güçlü yönlere sahiptir: - **Çift Amaçlı Kullanım:** Hem sınıflandırma hem de regresyon görevlerinde doğrudan uygulanabilir. - **Yüksek Yorumlanabilirlik:** Model oluşturma aşaması olmadığından, tahminler tamamen veri örneklerine ve mesafe ölçümüne dayanır; bu, şeffaf bir karar mekanizması sağlar. - **Esnek Uyarlanabilirlik:** Küçük boyutlu ve iyi ayrışmış veri kümelerinde, parametrik olmayan yapısı sayesinde karmaşık modellerle rekabet edebilecek düzeyde doğruluk sunabilir. - **Hızlı Uygulama:** Teorik karmaşıklığı düşük olduğundan, hızlı prototipleme ve öğretici örnekler için uygundur. ### **Çalışma Prensipleri** KNN algoritmasının temel işleyişi aşağıdaki aşamalara ayrılabilir: #### **1.Adım - Komşu Sayısının Seçilmesi (k)** K değeri, algoritmanın genelleme performansını doğrudan etkileyen kritik bir [hiperparametredir](/tr/detay/model-egitimi-ve-testi-c6227/llms.txt). Genellikle ikili sınıflandırma problemlerinde eşit oy durumlarını önlemek amacıyla tek sayılar (ör. 3, 5, 7) tercih edilir. #### **2.Adım - Mesafe Ölçümü** Örnekler arası benzerlik veya uzaklık, seçilen uygun bir mesafe metriği ile hesaplanır. Uygulama bağlamına göre çeşitli metrikler kullanılabilir: - **Öklidyen Mesafe:** Sürekli ve ölçeklendirilmiş özelliklerde yaygın tercih edilir; iki nokta arasındaki en kısa doğrusal mesafeyi ifade eder. - **Manhattan Mesafesi: **Özellikle seyrek ve yüksek boyutlu veri kümelerinde etkilidir; koordinatlar arası mutlak farkların toplamını alır. - **Hamming Mesafesi:** Kategorik veya ikili diziler için kullanılır; iki dizi arasındaki farklılık pozisyonlarının sayısını ölçer. - **Kosinüs Benzerliği: **Metin madenciliği ve vektör uzayı modellemesinde yaygın olup, vektörler arasındaki açıya dayalı benzerlik analizi yapar. #### **3.Adım - Komşuların Belirlenmesi** Sorgu noktasına (test örneğine) olan tüm mesafeler hesaplanır, artan düzende sıralanır ve en yakın k komşu seçilir. #### **4.Adım - Tahmin Üretimi** - ***Sınıflandırmada:* **Çoğunluk oyu yöntemi kullanılır; bazı durumlarda mesafeye göre ağırlıklandırılmış oy kullanılabilir. - ***Regresyonda:*** K komşunun hedef değerlerinin basit ortalaması veya mesafe ağırlıklı ortalaması alınarak çıktı tahmini yapılır. #### **Mesafe Ölçümü Seçimi ve Parametre Hassasiyeti** KNN algoritmasının başarımı, k parametresi ve mesafe ölçüm yönteminin doğru seçimine bağlıdır. Genel eğilimler şu şekilde özetlenebilir: - Küçük k değerleri (ör. 1–3) düşük önyargı fakat yüksek varyans ile sonuçlanır. Bu durum, modelin aşırı uyum (*overfitting*) eğilimini artırabilir. - Büyük k değerleri (>15), daha düzgün karar sınırları oluşturur, varyansı azaltır ancak sınıf ayrımını bulanıklaştırabilir. - En uygun k değeri ve mesafe metriği, genellikle çapraz doğrulama (*cross-validation*) teknikleri kullanılarak ampirik biçimde belirlenir. Ayrıca, özelliklerin ölçeklendirilmesi (ör. z-puanı standardizasyonu veya min-max dönüşümü) mesafe hesaplarının adil olması açısından kritik öneme sahiptir. Aksi durumda, geniş değer aralığına sahip özellikler mesafe ölçümünü tek başına domine edebilir ve modelin önyargılı sonuçlar üretmesine sebep olabilir. #### **Uygulamalı Örnek: Iris Veri Kümesinde KNN Sınıflandırması** Aşağıdaki Python örneği, KNN algoritmasının pratikte nasıl kullanılabileceğini göstermektedir. Örnek çalışmada, **Iris veri kümesi** üzerinde farklı k değerleri test edilerek en uygun parametre, çapraz doğrulama yöntemiyle belirlenmektedir: **Örnek Çıktı:** ## Academic Sources and References 1. Geeksforgeeks. "K-Nearest Neighbor(KNN) Algorithm". 2025. Erişim Tarihi: 9 Temmuz 2025. Erişim Adresi. 2. IBM. "What is the k-nearest neighbors (KNN) algorithm?". Erişim Tarihi: 9 Temmuz 2025. Erişim Adresi. 3. Zhang, Shichao, Xuelong Li, Ming Zong, Xiaofeng Zhu, and Debo Cheng. "Learning k for knn classification." ACM Transactions on Intelligent Systems and Technology (TIST) 8, no. 3 (2017): 1-19. Erişim Adresi. 4. Zhang, Shichao, Xuelong Li, Ming Zong, Xiaofeng Zhu, and Ruili Wang. "Efficient kNN classification with different numbers of nearest neighbors." IEEE transactions on neural networks and learning systems 29, no. 5 (2017): 1774-1785. Erişim Adresi.