Référentiel B — capacité IA
K-NN
Architecture
Algorithme de classification (ou régression) qui attribue à une observation la classe majoritaire (ou la moyenne) de ses k plus proches voisins dans l'espace des variables
Capacités clés
- Méthode non paramétrique simple ne nécessitant pas de phase d'entraînement explicite (apprentissage paresseux)
- Capacité à modéliser des frontières de décision complexes et non linéaires
- Facilement compréhensible et utilisée comme méthode de référence pédagogique en apprentissage automatique
Usages documentés par secteur
IndustrieTRL non déterminableDiffusion établie
Systèmes de recommandation fondés sur la similarité entre utilisateurs ou produits
- Micro-tableaux de données génétiques, seul cas d'application concret cité par la source
Sources de cet usage
- 1.Méthode des k plus proches voisins — Wikipédiasecondaire
RechercheTRL non déterminableDiffusion standard
Méthode de référence pédagogique et de comparaison de base (baseline) dans les études de classification
Sources de cet usage
- 1.Méthode des k plus proches voisins — Wikipédiasecondaire
Limites connues
Sensible au choix du nombre de voisins k, à la distance retenue et à l'échelle des variables. Le fléau de la dimension et le coût de calcul à l'inférence, souvent avancés comme ses deux limites principales, sont absents de la source citée, qui reste descriptive de l'algorithme.
Débats documentés
Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.
Sources
- 1.Méthode des k plus proches voisins — Wikipédiasecondaire
Analyses de gap citant cette fiche
Fiches connexes — Data science / modèles prédictifs
- Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
- AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
- CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
- Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
- GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
- Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
- K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
- LSTMArchitecture développée par Sepp Hochreiter et Jürgen Schmidhuber (1997)
Données brutes de cette fiche : /api/fiches/k-nn — voir la méthodologie.