Bevezetés a KNN algoritmusba R

Az R-ben lévő KNN algoritmusban a KNN a K legközelebbi szomszéd algoritmusát jelenti, és R egy programozási nyelv. Azt állítják, hogy a gépi tanulási algoritmus legegyszerűbb. A KNN egy felügyelt algoritmus, amely az adatpontokat célcsoportba sorolja, összehasonlítva a szolgáltatásokat a legközelebbi szomszédjával.

Példa: Tegyük fel, hogy osztályozni szeretne egy érintőképernyőt és egy billentyűzet telefont. Különböző tényezők befolyásolják mindkét telefon megkülönböztetését. A két telefont megkülönböztető tényező azonban a billentyűzet. Tehát, amikor adatpontot (vagyis telefonot) kapunk. Összehasonlítottuk a szomszédos adatpontok hasonló tulajdonságaival, hogy billentyűzetként vagy érintőképernyőként osztályozzuk.

A KNN algoritmus jellemzői

Itt tanulmányozzuk a KNN algoritmus jellemzőit:

  • A KNN algoritmus bemeneti adatokat használ a kimeneti beállított adatpontok előrejelzésére.
  • Az algoritmus különféle problémákra alkalmazható.
  • Az adatok osztályozására összpontosít a szolgáltatás hasonlóságára.
  • A KNN algoritmus reális adatokat kezeli, és nem tesz feltételezéseket az adatpontokkal kapcsolatban.
  • A KNN inkább az intuitív oktatás helyett megjegyzi az edzési adatkészletet. Azt is elmondhatjuk, hogy lusta megközelítéssel rendelkezik.
  • Meg tudja oldani az osztályozási és regressziós problémákat.

Problémamegoldás a KNN algoritmusban R - ben

A probléma megoldása után:

1. Besorolási probléma

Az osztályozási probléma esetében az értékek diszkrétek, csakúgy, mint tetszik pizzát enni öntettel vagy anélkül. Van közös álláspont. A KNN algoritmus segít egy ilyen probléma megoldásában.

2. Regressziós probléma

A regressziós probléma akkor lép fel a képbe, ha van függő és független változónk. Pl .: BMI-index. Általában minden sor tartalmaz megfigyelési vagy adatpontot és egy példát.

A KNN algoritmus R

Nézzük meg a követendő algoritmus lépéseit:

1. lépés: Töltse be a bemeneti adatokat.

2. lépés: Inicializálja a K-ot a legközelebbi szomszédok számával.

3. lépés: Az adatok kiszámítása (azaz az aktuális és a legközelebbi szomszéd közötti távolság)

4. lépés: A távolság hozzáadása az aktuálisan rendezett adatkészlethez.

5. lépés: A K bejegyzés felvétele és címkézése.

6. lépés: Adja meg a regressziós probléma átlagértékét.

7. lépés: Visszaadja az üzemmód értékét az osztályozási problémákhoz.

Emlékeztet arra, hogy miként hajtja végre a KNN algoritmust

  • Gondoskodnunk kell arról, hogy a K-érték nagyobb, mint egy, akadályozza a pontos előrejelzést.
  • Minél több a K érték, annál pontosabb lehet az előrejelzés a többség miatt.
  • Kívánatos, hogy P legyen páratlan számként. Ellenkező esetben a nyakkendő megszakítóhoz vezethet.

KNN álnév

Az alábbi képletben: ábrázolja a változókat és az adatpontokat, ahol (i = 1, 2, 3….)

Set(, )

Használjon tokot

Az alábbiakban olvashatjuk a használati eseteket a KNN algoritmusában R-ben:

1. A termékek összehasonlítása és a vásárlási ajánlások segítése

Amikor laptopot vagy számítógépet vásárolunk egy online e-kereskedelemről szóló webhelyről, vásárlási ajánlásokat is látunk, például antivírus szoftver vagy hangszórók vásárlását. Mindez azért van, mert amikor egy korábbi ügyfél laptopot vásárol, azt általában antivírusokkal vagy hangszórókkal együtt vásárolják. A gépi tanulás segít az e-kereskedelemmel kapcsolatos ajánlásokban.

2. Élelmezési ajánlások

A gépi tanulás segít a korábban megrendelt ételeken alapuló ajánlásokban, és ennek megfelelően javasolja az éttermeket.

Példa a KNN algoritmusra

Az alábbiakban bemutatjuk a KNN algoritmus példáit:

1. Adatok importálása

Vegyük magunkról a próbabábukat, amelyek megjósolják egy srác póló méretét magasság és súly alapján.

Magasság (cm) Súly (kg) Méret
140 58 S
140 59 S
140 63 S
150 59 M
152 60 M
153 60 M
154 61 M
155 64 M
156 64 M
157 61 M
160 62 L
161 65 L
162 62 L
163 63 L
163 66 L
165 63 L
165 64 L
165 68 L

2. A hasonlóságok megtalálása a távolság kiszámításával

Használhatjuk mind a manhattani, mind az euklideszi távolságot, mivel az adatok folyamatosak. Kiszámoljuk az új minta és az edzési adatkészlet közötti távolságot, majd megkeressük a legközelebbi K-t.

Példa: Tegyük fel, hogy a „Raj” magassága 165 cm, súlya 63 kg. Az euklideszi távolságot az első megfigyelés alapján számoljuk ki az új mintával: SQRT ((165-140) 2 + (63-58) 2)

3. K-legközelebbi szomszédok keresése

Tegyük fel, hogy K = 4. 4 olyan ügyfél van, amelyek közül 3 közepes méretű és 1 nagy méretű. A legjobb előrejelzés a közepes méretű ruhák Raj számára.

Különbség a KNN és ​​a K-középérték között

Az alábbiakban látható a különbség:

  • A KNN egy felügyelt algoritmus (függő változó), míg a K-átlag egy felügyelet nélküli algoritmus (nincs függő változó).
  • A K-középcsoport egy klaszterezési technikát alkalmaz az adatpontok felosztására, amelyek K-klasztereket képeznek.

A KNN előnyei és hátrányai

A következő előnyök vannak:

  • A KNN algoritmus sokoldalú, osztályozási és regressziós problémákra használható.
  • Nincs szükség korábbi modellre a KNN algoritmus felépítéséhez.
  • Egyszerű és könnyen megvalósítható.

A következő hátrányok vannak:

  • Az algoritmus a minták számának növekedésével (azaz a változók száma)

Ajánlott cikkek

Ez egy útmutató az R. KNN algoritmushoz. Itt tárgyaljuk a funkciókat, példákat, álkódot, a KNN algoritmusban követendő lépéseket. Megnézheti más kapcsolódó cikkeinket, hogy többet megtudjon-

  1. Adattudomány algoritmusai
  2. Mi a genetikai algoritmus?
  3. Útválasztási algoritmusok
  4. Neurális hálózati algoritmusok
  5. C ++ algoritmus | Példák a C ++ algoritmusra

Kategória:

Nagy adat