Как выглядит датчик холла: Датчик Холла — описание, схема, как проверить и заменить

Эффект Холла вернулся.

Главным среди инноваций в области клавиатур является разнообразие и типы доступных переключателей. Многие энтузиасты клавиатуры выбирают технологии, которые выходят за рамки широко распространенных коммутаторов Cherry MX и их клонов. Мы видим людей и компании, которые экспериментируют с оптическими переключателями и аналоговыми элементами управления, но неожиданным является предстоящее возвращение переключателя эффекта Холла.

Переключатели с эффектом Холла были заселены на некоторых ранних клавиатурах, но с точки зрения имеющихся в продаже устройств эта технология практически исчезла.Тем не менее, благодаря усилиям китайской компании и энтузиаста клавиатуры по имени Хосе Солтрен, вы сможете купить его в ближайшее время.

Солтрен не является сотрудником этой компании; он просто энтузиаст, который хотел помочь реализовать продукт, который его интересовал, что делает эту историю более уникальной. Он рассказал Tom’s Hardware историю и объяснил, как все это началось, почему мы должны заботиться о переключателях эффекта Холла и куда этот проект направляется в ближайшем будущем.

Что такое переключатели с эффектом Холла, и почему мне это важно?

Tom’s Hardware: Можете ли вы (кратко) описать, как работают переключатели эффекта Холла и почему мы хотели бы, чтобы они были на наших клавиатурах?

Хосе Солтрен: Датчики и переключатели Холла используют электричество и магнетизм умными способами, чтобы быть быстрее, долговечнее и надежнее, чем любой механический переключатель.Это истина, которую я знаю в течение некоторого времени, если учиться на инженера-электрика.

Датчики Холла содержат в своей основе небольшую тонкую полоску металла с электродом на каждом конце (скажем, на северной и южной сторонах). Когда вы прикладываете напряжение к электродам и поперек этого куска металла, ток течет от одного к другому по прямой линии.

Когда вы подносите магнит к этому устройству, ток больше не течет по прямой линии. Это изгибается. Когда он делает это, он генерирует разницу напряжения, которую вы можете измерить, если вы измеряете с запада на восток, перпендикулярно потоку тока.

Вы можете использовать это измерение, чтобы обнаружить, находится ли магнит рядом, [и] вы можете переключиться из этого. Датчики с эффектом Холла являются бесконтактными, бесконтактными, долговечными и водонепроницаемыми. Они также очень быстрые.

The Rebirth

TH: Как вы впервые узнали об этой клавиатуре с эффектом Холла?

JS: В июне 2016 года некоторые ребята из группы Reddit и / или группы механических клавишных из Техаса собрались на встречу в Остине.Он был размещен на Das Keyboard. Foxwolf1 (его ручка на Geekhack) принес ранний образец этих досок на встречу. Он нашел [компанию] из уст в уста. Он описал доски как «магнитные». Мы быстро выяснили, что в данном случае это означает «эффект Холла», а не «магнитный клапан» или «геркон».

Независимо, у меня была идея давным-давно для современного переключателя эффекта Холла. Он был вдохновлен старыми микропереключателями с эффектом Холла. Я думал о том, чтобы взять ключ-переключатель Cherry MX, открыть его, отрубить нижний 1 мм или около того ползунка штока, заменить его магнитом, поместить датчик под него и сделать его заменой.[Но] я подумал, что это будет слишком сложно для производителя и отложил эту идею.

Итак, вы можете вообразить мою радость, когда я увидел нечто, что, по сути, было моей идеей — Cherry MX-совместимые переключатели с эффектом Холла — в более простой и простой в изготовлении упаковке! Я сразу же заказал свою первую доску.

TH: Что заставило вас начать работать с этой компанией?

JS: Я увидел возможность и воспользовался ею.

Вскоре после встречи я нашел компанию через Alibaba.ком. Я оказался на сайте около 9:30 вечера в будний день по техасскому времени — это важно, поскольку оно переводится на раннее утреннее китайское время.

Моя первоначальная цель состояла в том, чтобы заказать одну клавиатуру, и на этом все закончится. В то время у меня были другие проекты, которые, на мой взгляд, были бы более прибыльными, как, например, выполнение высококачественных преобразований и ремонт существующих старинных клавиатур всех видов. Но, напомним, что Alibaba — это не сайт продаж , а сам по себе — это сайт для бизнеса.

Ну, перед тем, как нажать кнопку «Купить», я решил нажать кнопку «Чат» и посмотреть, что произошло. И вот, я обнаружил, что получил ответ от реального человека с достаточно сильными знаниями английского языка, чтобы мы могли общаться в режиме реального времени без переводчика. Я немного разбирался в деталях китайского производства в ходе дискуссий с [членами форума энтузиастов клавиатуры] и знал, что почти наверняка разговаривал с фабрикой.

В течение следующих 90 минут в чате мы установили, что компания предлагает множество различных конфигураций плат с различными ценами, минимальным количеством заказа, вариантами доставки и т. Д.Я помнил об этом, когда заказывал свою первую плату: бамбуковую 87-клавишную доску с подключенным кабелем, 70-граммовые переключатели и белые колпачки для клавиш.

Забавный факт: я только побелел, потому что черные колпачки для ключей отсутствовали на складе, когда я заказал, и я не хотел голую доску! Хорошо, что белые бейсболки на бамбуковых досках выглядят потрясающе. Теперь они являются опцией по умолчанию (и наиболее популярной).

Изображение 1 из 8

Изображение 2 из 8

Изображение 3 из 8

Изображение 4 из 8

Изображение 5 из 8

Изображение 6 из 8

Изображение 7 из 8

Изображение 8 из 8

Решение проблем

TH: С тех пор вы помогаете разрабатывать эти клавиатуры.Опишите свою роль во всем этом процессе.

JS: Я бы назвал себя менеджером по продукту и, возможно, инженером-консультантом.

Я являюсь участником Geekhack с 2010 года и имею более 2000 постов в Deskthority. Я активный член сообщества клавишников. Однажды в недавнем прошлом у меня в гараже было более 500 клавиатур, которые я помогал продавать для Elecplus, продавца и переработчика здесь, в Центральном Техасе.

За последние два года, особенно благодаря Deskthority, мне чрезвычайно повезло найти группу единомышленников, любителей и энтузиастов.Я получил и передал огромное количество знаний о ремонте старинных клавиатур. Некоторые из первоначальных проектов, которые я реализовал, включали магнитные переключатели — ремонт старой платы переключения магнитных клапанов и реинжиниринг старой платы микропереключателей.

Проведя так много времени на форумах, я выработал действительно четкое представление о том, что людям нравится и не нравится в клавиатурах, и каковы производственные оттенки и последствия для этих предпочтений.

Конечно, я могу проектировать свои собственные печатные платы, создавать собственные формы, создавать свои собственные прошивки и делать все с нуля, но это будет длиться вечно.Поэтому я выбрал новое направление: не изобретать велосипед.

Моя конкретная роль заключалась в том, чтобы работать с производителем, чтобы разработать спецификацию для моих конкретных клавиатур, и работать с их инженерным отделом в качестве специального консультанта для обеспечения реального улучшения их продуктов. Вот пять конкретных ошибок, которые я исправил с изготовителем:

1. Громкая печатная плата. Основной причиной стал неудачный выбор конденсатора для схемы ШИМ, который управляет светодиодами, что привело к гудению.Это сводило меня с ума! Это исправлено.

2. Плохая раскладка клавиатуры. Первоначальная 61-клавишная плата не имела программируемости, оверлеев и была практически непригодна для использования. Я работал с ними, чтобы создать новый макет. В конце концов нам пришлось сменить поставщиков микроконтроллеров и построить новую печатную плату для этого.

3. Громкие клавишные переключатели. По моему предложению производитель осуществил замену пресс-формы, чтобы добавить стрелковое оружие в механизм ползунка ключа, чтобы обеспечить демпфирование хода. Хотя и не тихие, более ранние прототипы были намного громче.

4. Пинг в пружинах. [участник форума для энтузиастов] «Охаймарк» и я определили первопричину звонков и пингов в ранних 50-граммовых прототипах — выбор очень тонкой проволоки для пружин. Мы пошли к более толстой проволоке, и шум исчез

5. Привязка стабилизатора Слот стабилизатора типа Cherry в плату. У нас были некоторые проблемы с переплетом, которые были [вызваны] из-за недостаточного отрезания материала от существующего пути инструмента на станках с ЧПУ.Производитель хотел перейти на более простую, но низкую настройку стабилизатора ключа. Я предложил новый выбор пути инструмента и решил проблему по-настоящему.

Это только начало.

Я одержим деталями. Когда я продаю эти доски, я ставлю свое имя на линию. Итак, я хочу, чтобы они были безупречны, и чтобы все мелочи были правильными. Эти сотни мелких деталей — это разница между хорошей, несколько удобной платой и удивительным продуктом.

TH: С какими проблемами вы столкнулись, помогая подготовить это к более широкому потреблению / распределению?

JS: Самыми сложными задачами были определение и усовершенствование продукта, а также сбор отзывов от прототипов.В меньшей степени различия между часовыми поясами между США и Китаем также сыграли здесь свою роль.

Я запустил ранний прототип с примерно дюжиной людей и получил массу отзывов таким образом (в том числе от некоторых известных людей, как matt3o, binge и livingspeedbump). Это было так полезно — я так рад, что сделал это.

Другая проблема заключалась в поиске времени для продвижения вперед. Как я уже говорил, у меня есть дневная работа и семья, поэтому я уделяю этому столько времени. Это заставило меня принять жесткие решения о том, что поддерживать, а не поддерживать.

TH: Вы уже говорили, что переключатели с эффектом Холла отчасти вышли из моды, потому что их производство слишком дорого. Это изменилось?

JS: В 2016 году кремний намного дешевле, чем кремний 1980-х годов.

Клавиатура с эффектом Холла требует точного датчика и некоторой цифровой логики для каждого переключателя. В настоящее время мы принимаем это как должное; Вы можете получить смартфон менее чем за 100 долларов. Но в 1980-х годах, когда компьютерные системы стали дешеветь, простота механического клавишного переключателя с меньшим количеством интегральных схем превзошла стоимость.

Сегодня все наоборот. Изготовление кремния дешево, а технология поверхностного монтажа означает, что эти платы легко вывести.

Продажа и дистрибуция

TH: Частично из-за неортодоксальной разработки продукта, вы получаете это на рынке неортодоксальным способом, через Massdrop. Почему Massdrop покупают?

JS: Massdrop предоставил самый простой и быстрый способ распространения этих плат для более широкой аудитории.

Как отдельный продавец, задача импорта, повторной доставки и прямой поддержки любого количества продаж клавиатуры была больше, чем я мог решить. Конечно, я мог бы заработать больше денег таким образом, но какой ценой?

[участник форума энтузиастов] HaaTa в прошлом активно сотрудничал с Massdrop и объяснил мне подробности их работы. Имея рекомендации и знания сообщества клавишных, мы смогли естественным образом сотрудничать.Помогло то, что я был в городе для командировки в СФ и мог лично посетить их офисы. Это положило начало прочным отношениям, которые хорошо послужили нам в рамках проекта.

Я также исследовал, что являюсь продавцом Amazon и работаю с другим известным реселлером клавиатур в США. Первому потребовалось бы слишком много от меня; последний перестал отвечать на электронные письма.

Некоторые люди на форумах не решались использовать Massdrop. Я начал обсуждение каждого из Deskthority и Geekhack, чтобы получить реальную обратную связь от людей, которые используют Massdrop.Большинство проблем было связано с задержками в доставке или производстве — вещи вне их контроля.

Работа с Massdrop была потрясающей. Я надеюсь работать с ними снова в будущем.

TH: Как вы думаете, они могут или будут массового производства?

JS: Да! Производитель уже может выпускать 500 досок одновременно без особых проблем.

У нас есть несколько действительно интересных разработок, которые появятся в ближайшее время: тактильные и щелкающие клавиши, больше вариантов компоновки, больше вариантов кейсов.Я сосредотачиваюсь на том, чтобы предоставить пользователям больше выбора, а также сделать производство более простым и надежным. Звучит безумно, верно? Это можно сделать!

Подробности

Если вы хотите войти в эту игру и приобрести собственную клавиатуру с эффектом Холла, вы можете присоединиться здесь (вам может потребоваться войти в Massdrop, чтобы получить доступ к странице). Хотя MSRP составляет 150 долларов, вы можете получить его сейчас всего за 100 долларов. Клавиатуры в этой партии запланированы на поставку в феврале 2017 года.

Падение установлено для 1000 клавиатур, но Солтрен сказал нам, что они могут сразу увеличить его до 1500, если интерес будет достаточно высоким.Он отметил, что они также могут вскоре запустить еще одну дроп и что в работе есть и вторая версия с большим количеством функций.

В любом случае, если вы хотите убедиться, что вы участвуете в этом раунде, последний день и время для этого — понедельник, 21 ноября, в 23:59 по тихоокеанскому времени. (В зависимости от интересов может быть возможно продление срока.)

Они также доступны в нескольких итерациях:

902 92 902 902 92 902 9221 902 902 92 902 922 902 прозрачный 9021 90g2

Ключи	Кейс	Пружина Вес
61	Черный акрил	50г
61	Бамбук
87	Бамбук	70g
104	Черный акрил	50g
104	Бамбук	70g

В дополнение к нижеприведенному сообщению в Massdrop говорится, что «вы также можете включить пакет из 100 пружин с альтернативным весом (+ 5 долларов США), а также полный набор ключей с альтернативным цветом клавиатуры (+ 20 долларов США).”

Ползунок Ключ

	Клавиатуры с эффектом Холла XMIT
Раскладка	-61-ключ ANSI-87-ключ ANSI-104 ключ	-PBT + POM двойной выстрел — поддерживает подсветку — Cherry MX mount
Пружинные грузы	-50g (прибл. 35 г) -70g (прибл. 50 г)
Точка срабатывания	1.8-2mm
Total Key Travel	4mm
Клавишные ползунки	POM с демпфированием хода в поликарбонатном корпусе (положения для щелчка и тактильного воздействия в будущем)
Освещение	RR-освещение -светодиодные индикаторы-Несколько схем освещения- ”Высокочастотный бесшумный ШИМ-контроль яркости”
Подключено	Съемный мини-USB
Стабилизаторы	Cherry-style
Монтаж на печатную плату	Монтаж на поверхность	Монтаж на поверхность	Монтаж на поверхность	Монтаж на поверхность	Поверхностный монтаж	Поверхностный монтаж	Монтаж на поверхность
Размеры	-61: 12 x 4.Ключ 5 x 1,5 дюйма (30,5 x 11,4 x 3,8 см) -87: ключ 14,5 x 5,7 x 2 дюйма (36,8 x 14,5 x 5,1 см) -104: неизвестно
Доступность	февраль 2017
Цена	$ 150 MSRP, в настоящее время 100 $ (только от Massdrop и в течение ограниченного времени)

,

Основы машинного обучения с алгоритмом K-Nearest Neighbours | Onel Harrison

Алгоритм k-ближайших соседей (KNN) — это простой и простой в реализации контролируемый алгоритм машинного обучения, который можно использовать для решения как задач классификации, так и регрессии. Пауза! Давайте распакуем это.

ABC. Мы держим это супер просто!

Алгоритм контролируемого машинного обучения (в отличие от алгоритма неуправляемого машинного обучения) — это алгоритм, который опирается на помеченные входные данные для изучения функции, которая выдает соответствующий вывод при получении новых непомеченных данных.

Представьте, что компьютер — это ребенок, мы — его руководитель (например, родитель, опекун или учитель), и мы хотим, чтобы ребенок (компьютер) узнал, как выглядит свинья. Мы покажем ребенку несколько разных картинок, некоторые из которых представляют собой свиней, а остальные могут быть изображениями чего угодно (кошек, собак и т. Д.).

Когда мы видим свинью, мы кричим «свинья!» Когда это не свинья, мы кричим «нет, не свинья!» Сделав это несколько раз с ребенком, мы показываем им фотографию и спрашиваем «свинья?» и они будут правильно (большую часть времени) сказать «свинья!» или «нет, не свинья!» в зависимости от того, что картина.Это контролируемое машинное обучение.

«Свинья!»

Алгоритмы контролируемого машинного обучения используются для решения задач классификации или регрессии.

Задача классификации имеет дискретное значение в качестве своего выхода. Например, «любит ананас на пиццу» и «не любит ананас на пиццу» дискретны. Там нет никакого среднего. Приведенная выше аналогия обучения ребенка идентификации свиньи является еще одним примером проблемы классификации.

Изображение, показывающее случайно сгенерированные данные

Это изображение показывает основной пример того, как могут выглядеть данные классификации.У нас есть предиктор (или набор предикторов) и метка. На изображении мы можем пытаться предсказать, нравится ли кому-то ананас (1) на их пицце или нет (0) на основе их возраста (предиктор).

Это стандартная практика представлять выходные данные (метку) алгоритма классификации в виде целого числа, такого как 1, -1 или 0. В этом случае эти числа являются чисто репрезентативными. Математические операции над ними не должны выполняться, потому что это бессмысленно. Задумайтесь на минуту.Что такое «любит ананас» + «не любит ананас»? Именно. Мы не можем добавить их, поэтому мы не должны добавлять их числовые представления.

Задача регрессии имеет действительное число (число с десятичной точкой) в качестве выходных данных. Например, мы могли бы использовать данные в таблице ниже, чтобы оценить вес кого-либо с учетом его роста.

Изображение, показывающее часть набора данных высоты и веса SOCR.

Данные, используемые в регрессионном анализе, будут выглядеть аналогично данным, показанным на рисунке выше.У нас есть независимая переменная (или набор независимых переменных) и зависимая переменная (вещь, которую мы пытаемся угадать, учитывая наши независимые переменные). Например, мы могли бы сказать, что рост является независимой переменной, а вес является зависимой переменной.

Кроме того, каждая строка обычно называется примером , наблюдением или точкой данных , в то время как каждый столбец (не включая метку / зависимую переменную) часто называется предиктором , измерением, независимой переменной или признаком.

Алгоритм машинного обучения без присмотра использует входные данные без каких-либо меток — другими словами, никакой учитель (метка) не говорит ребенку (компьютеру), когда он прав или когда он совершил ошибку, чтобы он мог самостоятельно -верный.

В отличие от контролируемого обучения, которое пытается выучить функцию, которая позволит нам делать прогнозы на основе некоторых новых непомеченных данных, неконтролируемое обучение пытается изучить базовую структуру данных, чтобы дать нам более глубокое понимание данных.

Алгоритм KNN предполагает, что подобные вещи существуют в непосредственной близости. Другими словами, подобные вещи находятся рядом друг с другом.

«Птицы из стада перьев вместе».

Изображение, показывающее, как похожие точки данных обычно существуют близко друг к другу.

Обратите внимание на изображение выше, что в большинстве случаев подобные точки данных находятся близко друг к другу. Алгоритм KNN основан на том, что это предположение достаточно верно, чтобы алгоритм был полезным. KNN отражает идею сходства (иногда называемую расстоянием, близостью или близостью) с некоторой математикой, которую мы могли бы выучить в детстве, — вычисление расстояния между точками на графике.

Примечание: Прежде чем двигаться дальше, необходимо понять, как мы рассчитываем расстояние между точками на графике. Если вы не знакомы или нуждаетесь в переподготовке о том, как выполняется этот расчет, полностью прочитайте « Расстояние между двумя точками » полностью и возвращайтесь.

Существуют и другие способы расчета расстояния, и один из них может быть предпочтительным в зависимости от решаемой нами проблемы. Однако прямолинейное расстояние (также называемое евклидовым расстоянием) является популярным и привычным выбором.

Алгоритм KNN

1. Загрузить данные
2. Инициализировать K для выбранного количества соседей

3. Для каждого примера в данных

3.1 Рассчитать расстояние между примером запроса и текущим примером из данных.

3.2 Добавьте расстояние и индекс примера в упорядоченную коллекцию

4. Сортируйте упорядоченную коллекцию расстояний и индексов от наименьшего к наибольшему (в порядке возрастания) по расстояниям

5.Выбрать первые K записей из отсортированной коллекции

6. Получить метки выбранных K записей

7. Если регрессия, вернуть среднее значение K меток

8. Если классификация, вернуть режим K меток

Реализация KNN (с нуля)

Выбор правильного значения для K

Чтобы выбрать K, подходящий для ваших данных, мы запускаем алгоритм KNN несколько раз с различными значениями K и выбираем K, который уменьшает количество ошибок мы сталкиваемся с сохранением способности алгоритма точно делать прогнозы, когда он предоставляет данные, которых он не видел раньше.

Вот некоторые вещи, которые следует иметь в виду:

1. По мере уменьшения значения K до 1 наши прогнозы становятся менее стабильными. Подумайте минуту, представьте, что K = 1, и у нас есть точка запроса, окруженная несколькими красными и одним зеленым (я думаю о левом верхнем углу цветного графика выше), но зеленый — единственный ближайший сосед. Разумно, мы бы подумали, что точка запроса скорее всего красная, но поскольку K = 1, KNN неверно предсказывает, что точка запроса имеет зеленый цвет.
2. И наоборот, когда мы увеличиваем значение K, наши прогнозы становятся более стабильными благодаря большинству голосов / усреднению и, таким образом, с большей вероятностью делают более точные прогнозы (до определенного момента).Со временем мы начинаем наблюдать все большее число ошибок. Именно в этот момент мы знаем, что мы переместили значение K слишком далеко.
3. В случаях, когда мы выбираем большинство голосов (например, выбираем режим в задаче классификации) среди меток, мы обычно делаем K нечетным числом, чтобы иметь разрыв связи.

Преимущества

1. Алгоритм прост и легко реализуем.
2. Нет необходимости строить модель, настраивать несколько параметров или делать дополнительные предположения.
3. Алгоритм универсален. Его можно использовать для классификации, регрессии и поиска (как мы увидим в следующем разделе).

Недостатки

1. Алгоритм становится значительно медленнее по мере увеличения числа примеров и / или предикторов / независимых переменных.

Основной недостаток KNN, заключающийся в том, что он становится значительно медленнее по мере увеличения объема данных, делает его непрактичным выбором в средах, где необходимо быстро делать прогнозы.Более того, существуют более быстрые алгоритмы, которые могут давать более точные результаты классификации и регрессии.

Однако, если у вас достаточно вычислительных ресурсов для быстрой обработки данных, которые вы используете для прогнозирования, KNN все равно может быть полезен при решении проблем, которые имеют решения, которые зависят от идентификации похожих объектов. Примером этого является использование алгоритма KNN в рекомендательных системах, применение KNN-поиска.

Рекомендательные системы

В масштабе это будет похоже на рекомендации по продуктам на Amazon, статьи по Medium, фильмы на Netflix или видеоролики на YouTube.Хотя мы можем быть уверены, что все они используют более эффективные средства для выработки рекомендаций из-за огромного объема данных, которые они обрабатывают.

Однако мы могли бы тиражировать одну из этих рекомендательных систем в меньшем масштабе, используя то, что мы узнали здесь в этой статье. Давайте построим ядро ​​системы рекомендации фильмов.

На какой вопрос мы пытаемся ответить?

Учитывая наш набор данных фильмов, какие 5 фильмов наиболее похожи на запрос фильма?

Сбор данных фильмов

Если бы мы работали в Netflix, Hulu или IMDb, мы могли бы получить данные из их хранилища данных.Поскольку мы не работаем ни в одной из этих компаний, мы должны получать наши данные другими способами. Мы могли бы использовать некоторые данные фильмов из репозитория машинного обучения UCI, из набора данных IMDb или кропотливо создавать свои собственные.

Изучите, очистите и подготовьте данные

Где бы мы ни получили наши данные, в них могут быть некоторые ошибки, которые нам необходимо исправить, чтобы подготовить их к алгоритму KNN. Например, данные могут быть не в том формате, который ожидает алгоритм, или могут отсутствовать значения, которые мы должны заполнить или удалить из данных перед передачей их в алгоритм.

Наша реализация KNN выше опирается на структурированные данные. Это должно быть в формате таблицы. Кроме того, реализация предполагает, что все столбцы содержат числовые данные и что последний столбец наших данных имеет метки, над которыми мы можем выполнять некоторую функцию. Итак, откуда бы мы ни получили наши данные, мы должны привести их в соответствие с этими ограничениями.

Приведенные ниже данные являются примером того, на что могут быть похожи наши очищенные данные. Данные содержат тридцать фильмов, включая данные для каждого фильма в семи жанрах и их рейтинги IMDB.Столбец меток имеет все нули, потому что мы не используем этот набор данных для классификации или регрессии.

Набор данных рекомендаций для фильмов, сделанных самостоятельно

Кроме того, между фильмами существуют отношения, которые не будут учитываться (например, актеры, режиссеры и темы) при использовании алгоритма KNN просто потому, что в данных отсутствуют данные, которые фиксируют эти отношения. устанавливать. Следовательно, когда мы используем алгоритм KNN для наших данных, сходство будет основываться исключительно на включенных жанрах и рейтингах IMDB фильмов.

Используйте алгоритм

Представьте себе на мгновение. Мы перемещаемся по веб-сайту MoviesXb, вымышленному выделению IMDb, и мы сталкиваемся с Post . Мы не уверены, что хотим смотреть его, но его жанры заинтриговывают нас; нас интересуют другие похожие фильмы. Мы прокручиваем вниз до раздела «Больше как это», чтобы увидеть, какие рекомендации даст MoviesXb, и алгоритмические механизмы начинают вращаться.

Сайт MoviesXb отправляет на свой сервер запрос на 5 фильмов, наиболее похожих на The Post .В бэк-энде есть рекомендации, точно такие же, как у нас. Он начинается с создания представления строки (более известного как вектор функций ) для Post , затем он запускает программу, аналогичную приведенной ниже, для поиска 5 фильмов, которые наиболее похожи на Post , и наконец отправляет результаты обратно на сайт MoviesXb.

Когда мы запустим эту программу, мы увидим, что MoviesXb рекомендует 12 лет A Slave , Rackge Hacksaw , Queen of Katwe , Ветер поднимается и A Beautiful Mind .Теперь, когда мы полностью понимаем, как работает алгоритм KNN, мы можем точно объяснить, как алгоритм KNN пришел, чтобы сделать эти рекомендации. Поздравляем!

Алгоритм k-ближайших соседей (KNN) — это простой контролируемый алгоритм машинного обучения, который можно использовать для решения как задач классификации, так и регрессии. Его легко реализовать и понять, но он имеет существенный недостаток: он значительно замедляется по мере увеличения размера используемых данных.

KNN работает, находя расстояния между запросом и всеми примерами в данных, выбирая указанные примеры чисел (K), ближайших к запросу, затем голосует за наиболее часто встречающуюся метку (в случае классификации) или усредняет метки (в случае регрессии).

В случае классификации и регрессии мы увидели, что выбор правильного K для наших данных делается путем попытки нескольких K и выбора того, который работает лучше всего.

Наконец, мы рассмотрели пример того, как алгоритм KNN может использоваться в рекомендательных системах, применение KNN-поиска.