Lære Implementering af k-NN

KNeighborsClassifier

Implementering af k-Nearest Neighbors er ret ligetil. Det kræver blot import og brug af klassen KNeighborsClassifier.

Konstruktør:

KNeighborsClassifier(n_neighbors = 5)
n_neighbors – antal naboer (k). Standardværdien er 5;

Metoder:

fit(X, y) – Tilpasning af træningssættet;
predict(X) – Forudsigelse af klassen for X;
score(X, y) – Returnerer nøjagtigheden for X, y-sættet.

Når klassen er importeret og et klasseobjekt er oprettet som dette:

# Importing the class
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)

Skal træningsdata gives til objektet ved brug af .fit()-metoden:

knn.fit(X_scaled, y)

Det er det hele! Nu kan nye værdier forudsiges.

y_pred = knn.predict(X_new_scaled)

Skalering af data

Det er dog vigtigt at huske, at data skal skaleres. StandardScaler anvendes ofte til dette formål:

Konstruktør:

StandardScaler().

Metoder:

fit(X) – beregner $\bar{x}$ og $s$ for X;
transform(X) – returnerer $X_{\text{scaled}}$ ved brug af $\bar{x}, s$ fra .fit();
fit_transform(X) – .fit(X) efterfulgt af .transform(X).

Du skal beregne $\bar x$ og $s$ kun på træningssættet ved hjælp af .fit() eller .fit_transform(). Brug derefter .transform() på testdatasættet, så begge sæt skaleres identisk:

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

Brug af forskellige skaleringsværdier for træning og test forringer forudsigelserne.

Eksempel

Vi forudsiger, om en person kan lide Star Wars VI ved at bruge deres vurderinger af Episode IV og V (fra The Movies Dataset). Efter træning tester vi to brugere: én har vurderet IV/V som 5 og 5, den anden som 4.5 og 4.


              123456789101112131415161718192021222324252627
            
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import numpy as np
import pandas as pd
import warnings

warnings.filterwarnings('ignore')

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/starwars_binary.csv')

# Dropping the target column and leaving only features as `X_train`
X_train = df.drop('StarWars6', axis=1)
# Storing target column as `y_train`, which contains 1 (liked SW 6) or 0 (didn't like SW 6)
y_train = df['StarWars6']

# Test set of two people
X_test = np.array([[5, 5], [4.5, 4]])

# Scaling the data
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Building a model and predict new instances
knn = KNeighborsClassifier(n_neighbors=13).fit(X_train, y_train)
y_pred = knn.predict(X_test)
print(y_pred)

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 17

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Stryg for at vise menuen

KNeighborsClassifier

Implementering af k-Nearest Neighbors er ret ligetil. Det kræver blot import og brug af klassen KNeighborsClassifier.

Konstruktør:

KNeighborsClassifier(n_neighbors = 5)
n_neighbors – antal naboer (k). Standardværdien er 5;

Metoder:

fit(X, y) – Tilpasning af træningssættet;
predict(X) – Forudsigelse af klassen for X;
score(X, y) – Returnerer nøjagtigheden for X, y-sættet.

Når klassen er importeret og et klasseobjekt er oprettet som dette:

# Importing the class
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)

Skal træningsdata gives til objektet ved brug af .fit()-metoden:

knn.fit(X_scaled, y)

Det er det hele! Nu kan nye værdier forudsiges.

y_pred = knn.predict(X_new_scaled)

Skalering af data

Det er dog vigtigt at huske, at data skal skaleres. StandardScaler anvendes ofte til dette formål:

Konstruktør:

StandardScaler().

Metoder:

fit(X) – beregner $\bar{x}$ og $s$ for X;
transform(X) – returnerer $X_{\text{scaled}}$ ved brug af $\bar{x}, s$ fra .fit();
fit_transform(X) – .fit(X) efterfulgt af .transform(X).

Du skal beregne $\bar x$ og $s$ kun på træningssættet ved hjælp af .fit() eller .fit_transform(). Brug derefter .transform() på testdatasættet, så begge sæt skaleres identisk:

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

Brug af forskellige skaleringsværdier for træning og test forringer forudsigelserne.

Eksempel


              123456789101112131415161718192021222324252627
            
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
import numpy as np
import pandas as pd
import warnings

warnings.filterwarnings('ignore')

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/starwars_binary.csv')

# Dropping the target column and leaving only features as `X_train`
X_train = df.drop('StarWars6', axis=1)
# Storing target column as `y_train`, which contains 1 (liked SW 6) or 0 (didn't like SW 6)
y_train = df['StarWars6']

# Test set of two people
X_test = np.array([[5, 5], [4.5, 4]])

# Scaling the data
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Building a model and predict new instances
knn = KNeighborsClassifier(n_neighbors=13).fit(X_train, y_train)
y_pred = knn.predict(X_test)
print(y_pred)

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 17