k-närmaste granne är en metod i maskininlärning som klassificerar eller förutsäger ett värde för ett nytt exempel genom att jämföra det med de mest lika exemplen man redan har sparat. Metoden kallas också k-NN eller k-nearest neighbors.
Idén är enkel. Om ett nytt exempel ligger nära flera gamla exempel av samma typ, får det oftast samma etikett. Det här är inte förståelse i mänsklig mening. Metoden jämför siffror, räknar avstånd och låter de närmaste exemplen rösta.
I korthet
- k-NN är en metod för både klassificering och regression.
- Den tittar på de k närmaste exemplen i träningsdatan.
- Vid klassificering används majoritetsröst. Vid regression används medelvärde.
- Litet k gör metoden känslig för brus. Stort k gör besluten jämnare men grövre.
- I klassisk k-NN byggs ingen separat modell. De sparade exemplen är i praktiken modellen.
Vad är k-närmaste granne?
k-närmaste granne är en metod för övervakad inlärning, på engelska supervised learning. Det betyder att man tränar på exempel där rätt svar redan finns. k-NN använder dessa märkta exempel för att avgöra vad ett nytt exempel mest liknar.
Metoden bygger direkt på träningsdata. Varje sparat exempel har egenskaper, ofta kallade features, alltså sådant man mäter om fallet. Det kan vara längd, vikt, pris eller antal klick. Varje exempel har också ett facit, ofta kallat etikett. När ett nytt exempel kommer in frågar k-NN i praktiken: vilka gamla exempel ligger närmast, och vad hade de för svar?
- Vid klassificering väljer metoden en kategori, till exempel spam eller inte spam.
- Vid regression förutsäger metoden ett tal, till exempel ett pris eller en temperatur.
- k-NN är en likhetsmetod. Grundidén är att lika exempel ofta får lika svar.
Hur fungerar k-NN steg för steg?
1. Spara exemplen
I den klassiska formen bygger man ingen separat formel eller regelbok. Man sparar i stället de märkta exemplen.
2. Mät avstånd
När ett nytt exempel kommer in mäts avståndet till de sparade exemplen.
3. Välj de k närmaste
Man sorterar exemplen efter avstånd och tar de k som ligger närmast.
4. Räkna ut svaret
Vid klassificering vinner den klass som är vanligast bland grannarna. Vid regression tar man medelvärdet av deras tal.
Om k är 3 och två av de tre närmaste exemplen är märkta som katt, blir svaret katt. Om uppgiften i stället är regression, som att uppskatta ett pris, tar man medelvärdet av grannarnas värden.
Testa själv
1. Rita 10 punkter i två färger på ett rutigt papper.
2. Sätt en ny punkt någonstans mellan dem och markera de 3 närmaste grannarna.
3. Se vilken färg som vinner. Det är k-NN med k=3.
Vad betyder k och hur väljer man rätt värde?
Bokstaven k betyder hur många grannar som får vara med och bestämma. Om k är 1 får bara den allra närmaste punkten säga sitt. Om k är större väger fler närliggande exempel in.
Ett litet k gör metoden väldigt lokal. Det kan vara bra om mönstret verkligen varierar lokalt, men det gör också metoden känslig för brus, alltså slumpmässiga fel eller ovanliga exempel. Då kan den hamna nära överanpassning, vilket betyder att den följer detaljer som inte håller för nya data.
Ett större k jämnar ut besluten. Det dämpar brus, men kan också sudda ut viktiga lokala mönster. Om du bara har två klasser väljer man ofta ett udda k för att minska risken för oavgjort. I praktiken brukar man prova flera värden och mäta hur bra modellen är på data som hålls undan, så att valet inte bygger på samma exempel som metoden redan sett.
- För litet k: mer känsligt för brus och enstaka avvikare.
- För stort k: stabilare beslut, men sämre på små lokala skillnader.
- Udda k är ofta praktiskt vid två klasser, men det är ingen garanti mot alla typer av oavgjort.
Hur mäts likhet och varför spelar skalan roll?
För att hitta de närmaste grannarna behöver metoden ett sätt att mäta avstånd. Vanligt är euklidiskt avstånd, på engelska Euclidean distance. Tänk på en karta. Två platser som ligger nära varandra på kartan har kort avstånd. I k-NN gör man samma sak, fast i ett rum av siffror i stället för gator och orter.
Här blir skalan viktig. Om en egenskap mäts i mycket stora tal och en annan i små tal kan den stora dominera avståndet, även om den inte är viktigast. Därför brukar man ofta normalisera eller standardisera datan före k-NN. Det betyder att man skalar om värdena så att jämförelsen blir mer rättvis.
Många egenskaper gör avstånd svårare att tolka
k-NN passar ofta sämre när varje exempel beskrivs med väldigt många egenskaper. Då blir avstånden mellan punkter mindre tydliga. Den närmaste punkten kanske inte är särskilt mycket närmare än många andra. Det här problemet brukar kallas dimensionalitetens förbannelse, men för en nybörjare räcker det att tänka så här: ju fler saker du mäter, desto svårare kan det bli att avgöra vad som verkligen är nära.
Varför kallas k-NN för latlärande?
k-NN kallas ofta lazy learning, på svenska brukar man säga latlärande eller helt enkelt att beräkningen skjuts upp. Det betyder inte att metoden är slarvig. Det betyder att den inte gör så mycket arbete i förväg. I stället för att bygga en kompakt modell under en tydlig träningsfas sparar den exemplen och väntar tills någon ställer en fråga.
Det gör metoden enkel att förstå. Men det har ett pris. När ett nytt exempel ska klassificeras måste avstånd räknas till många sparade punkter. På små eller medelstora datamängder kan det fungera fint. På stora datamängder kan prediktionen bli långsam, och minnet kan gå åt snabbare eftersom datan måste finnas kvar.
Hur skiljer sig k-NN från andra vanliga metoder?
Om du redan har läst om logistisk regression eller beslutsträd blir skillnaden tydlig här. k-NN sparar exemplen och jämför direkt med dem, medan de andra metoderna försöker lära sig en mer kompakt regel för hur beslut ska tas.
| Metod | Hur den bestämmer | Vad den sparar | Typisk styrka |
|---|---|---|---|
| k-NN | Jämför med närmaste sparade exempel och använder majoritetsröst eller medelvärde | Själva träningspunkterna är i praktiken modellen | Bra när lokala likheter betyder mycket |
| Logistisk regression | Räknar ut sannolikhet från en viktad kombination av egenskaper | Vikter i en enkel matematisk modell | Snabb och tydlig baslinje för klassificering |
| Beslutsträd | Ställer en serie ja- eller nej-frågor om egenskaperna | Trädets grenar och regler | Lätt att tolka och fånga enkla regler |
k-NN blandas också ofta ihop med k-means. De är inte samma sak. k-means hör till oövervakad inlärning och arbetar utan facit. Där betyder k hur många grupper man vill skapa. I k-NN betyder k i stället hur många grannar som får vara med och avgöra svaret.
När passar k-NN och när passar det sämre?
Som många algoritmer inom maskininlärning är k-NN bra i vissa lägen och mindre bra i andra. Det beror mest på hur datan ser ut och vad du vill att metoden ska göra.
När k-NN ofta passar
- Små eller medelstora dataset där det går rimligt snabbt att jämföra nya fall med sparad data.
- Problem där närliggande exempel ofta har liknande svar.
- Likhetssökning, rekommendationer och enklare fall av mönsterigenkänning.
- Som enkel startmodell när du vill ha något lätt att förklara och jämföra med.
När k-NN ofta passar sämre
- Många egenskaper per exempel, eftersom avstånd då blir svårare att tolka.
- Data där olika skalor blandas och inte har normaliserats.
- Situationer där prediktion måste gå mycket snabbt på stora datamängder.
- Problem där viktiga signaler gömmer sig bland många irrelevanta egenskaper.
Vad gör k-NN egentligen?
k-NN är ett bra exempel på vad en AI-modell faktiskt gör i praktiken. Den tänker inte och förstår inte innehållet i mänsklig mening. Den jämför siffror, räknar avstånd och summerar röster från liknande exempel.
Det betyder också att resultatet beror helt på sådant människor väljer: vilka egenskaper som används, hur datan skalas, vilket k som testas och vilka exempel som finns med. Om något ord känns nytt finns en ordlista med korta förklaringar.
Vanliga frågor
Vad står k för i k-NN?
k är antalet närmaste grannar som får vara med och avgöra svaret. Om k är 5 tittar metoden på de fem mest lika exemplen. Värdet påverkar hur lokal eller hur jämn metoden blir.
Är k-NN klassificering eller regression?
Det kan vara båda. Vid klassificering väljer k-NN den vanligaste klassen bland grannarna. Vid regression tar den i stället medelvärdet av grannarnas målvärden.
Måste man normalisera data före k-NN?
Ofta ja, särskilt om olika egenskaper mäts på olika skalor. Annars kan en egenskap med stora tal dominera avståndet och ge skeva resultat. Normalisering eller standardisering gör jämförelsen mer rättvis.
Är k-NN bra för stora datamängder?
Inte alltid. Eftersom metoden ofta måste jämföra en ny punkt med många sparade punkter kan prediktionen bli långsam. Den fungerar ofta bättre när datan inte är alltför stor eller när snabbhet inte är det viktigaste.
Varför fungerar k-NN sämre med många egenskaper?
När antalet egenskaper blir stort blir avstånd mellan punkter ofta mindre tydliga. Den närmaste punkten kan då likna många andra nästan lika mycket. Då blir det svårare för metoden att skilja mellan bra och mindre bra grannar.
Källor
- https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm
- https://scikit-learn.org/stable/modules/neighbors.html
- https://en.wikipedia.org/wiki/Feature_scaling
- https://en.wikipedia.org/wiki/Curse_of_dimensionality
Skriven av AI-redaktionen. Texten är researchad och faktakontrollerad mot källorna ovan.
Senast uppdaterad: 7 november 2026