Lære Implementering av k-NN

KNeighborsClassifier

Implementering av k-Nearest Neighbors er ganske rett frem. Det eneste som trengs er å importere og bruke klassen KNeighborsClassifier.

Konstruktør:

KNeighborsClassifier(n_neighbors = 5)
n_neighbors – antall naboer (k). Standardverdi er 5;

Metoder:

fit(X, y) – Tilpass treningssettet;
predict(X) – Prediker klassen for X;
score(X, y) – Returnerer nøyaktigheten for X, y-settet.

Når du har importert klassen og opprettet et klasseobjekt slik:

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

Må du mate inn treningsdataene ved å bruke .fit()-metoden:

knn.fit(X_scaled, y)

Det er alt! Nå kan du predikere nye verdier.

y_pred = knn.predict(X_new_scaled)

Skalering av data

Det er imidlertid viktig å huske at dataene må skaleres. StandardScaler brukes ofte til dette formålet:

Konstruktør:

StandardScaler().

Metoder:

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

Du må beregne $\bar x$ og $s$ kun på treningssettet ved å bruke .fit() eller .fit_transform(). Bruk deretter .transform() på testsettet slik at begge settene skaleres identisk:

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

Å bruke ulike skaleringsverdier for trening og test svekker prediksjonene.

Eksempel

Vi forutsier om en person liker Star Wars VI ved å bruke deres vurderinger for Episode IV og V (fra The Movies Dataset). Etter trening tester vi to brukere: én vurderte IV/V som 5 og 5, den andre 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)

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 17

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Sveip for å vise menyen

KNeighborsClassifier

Implementering av k-Nearest Neighbors er ganske rett frem. Det eneste som trengs er å importere og bruke klassen KNeighborsClassifier.

Konstruktør:

KNeighborsClassifier(n_neighbors = 5)
n_neighbors – antall naboer (k). Standardverdi er 5;

Metoder:

fit(X, y) – Tilpass treningssettet;
predict(X) – Prediker klassen for X;
score(X, y) – Returnerer nøyaktigheten for X, y-settet.

Når du har importert klassen og opprettet et klasseobjekt slik:

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

Må du mate inn treningsdataene ved å bruke .fit()-metoden:

knn.fit(X_scaled, y)

Det er alt! Nå kan du predikere nye verdier.

y_pred = knn.predict(X_new_scaled)

Skalering av data

Det er imidlertid viktig å huske at dataene må skaleres. StandardScaler brukes ofte til dette formålet:

Konstruktør:

StandardScaler().

Metoder:

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

Du må beregne $\bar x$ og $s$ kun på treningssettet ved å bruke .fit() eller .fit_transform(). Bruk deretter .transform() på testsettet slik at begge settene skaleres identisk:

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

Å bruke ulike skaleringsverdier for trening og test svekker prediksjonene.

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)

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 17