KNN (K-Nearest Neighbors)

Búsqueda exacta de los K vecinos más cercanos evaluando exhaustivamente todos los vectores del espacio.

K-NearestExhaustive SearchExact Matching

Definición Técnica & Formal

KNN calcula la distancia entre el vector de consulta y CADA UNO de los vectores indexados en la base de datos para retornar los K resultados más cercanos. Es 100% preciso pero costoso computacionalmente (O(N * D)).

Puntos Clave & Aplicaciones

Búsqueda exhaustiva (Flat / Exact Search).

Recall de 100%, ideal para datasets pequeños o evaluación de benchmarks.

Escalabilidad limitada para millones de vectores.

Intuición Visual para Mente Gráfica

"Para encontrar los 3 vecinos más cercanos a tu casa, mides con una regla la distancia a TODAS las casas de la ciudad una por una."

💡 Tip: Puedes presionar el botón "Dibujar / Apuntes" en la barra superior para hacer anotaciones gráficas sobre este diagrama.

Fórmula Matemática

DistanciaEuclidiana(p, q) = sqrt(sum((p_i - q_i)^2))

Demostración Visual e Interactiva

Interactúa con los controles para simular dinámicamente el funcionamiento de KNN (K-Nearest Neighbors).

Visualizador de la Arquitectura "KNN (K-Nearest Neighbors)"

Para encontrar los 3 vecinos más cercanos a tu casa, mides con una regla la distancia a TODAS las casas de la ciudad una por una.

Categoría: Búsqueda Vectorial

Ejemplo de Código & Demostración

python

from sklearn.neighbors import NearestNeighbors
import numpy as np

X = np.random.rand(1000, 128) # 1000 vectores de 128D
knn = NearestNeighbors(n_neighbors=5, metric='cosine').fit(X)

query = np.random.rand(1, 128)
distances, indices = knn.kneighbors(query)
print("Top 5 Índices:", indices)

💡 Encuentra de forma exacta los 5 vectores más cercanos en el conjunto de entrenamiento.

Conceptos Relacionados

KD-Tree (k-dimensional Tree)

Estructura de datos en árbol de partición espacial para organizar puntos en espacios de baja dimensionalidad.

HNSW (Hierarchical Navigable Small World)

Grafo jerárquico multicapa para búsqueda rápida y aproximada de vecinos más cercanos (ANN).

IVF (Inverted File Index)

Partición del espacio vectorial mediante clústeres (K-Means) para reducir el alcance de búsqueda.