🏗️Exemple concret
Recommandation de films : pour prédire si tu vas aimer un film, on cherche les 10 utilisateurs qui ont les goûts les plus proches des tiens (K=10). Si 8 d'entre eux ont noté ce film 4/5 ou plus, on te le recommande.
∑ Concept clé
Distance euclidienne : d(x, xᵢ) = √(Σ(xⱼ - xᵢⱼ)²). Prédiction : vote majoritaire des K voisins les plus proches.
🎯Quand l'utiliser ?
✓Petits datasets (< 50K exemples)
✓Systèmes de recommandation simples
✓Lorsqu'on veut comprendre l'analogie avec des exemples existants
✅ Avantages
+Aucun entraînement (apprentissage 'paresseux')
+Naturellement multi-classes
+Simple à comprendre et implémenter
⚠️ Limites
−Lent à prédire sur grands datasets (calcule toutes les distances)
−Sensible aux variables non pertinentes et aux échelles différentes
−Mémoire importante (stocke tout le dataset)
🛠️ Outils principaux
Scikit-learn (KNeighborsClassifier)
FAISS (pour les grandes dimensions)
MLSuperviséClassificationRecommandation