Implementatie van k-NN
KNeighborsClassifier
Het implementeren van k-Nearest Neighbors is vrij eenvoudig. Het enige wat nodig is, is het importeren en gebruiken van de klasse KNeighborsClassifier.
Constructor:
KNeighborsClassifier(n_neighbors = 5)n_neighbors– aantal buren (k). Standaardwaarde is 5;
Methoden:
fit(X, y)– Trainingsset fitten;predict(X)– Klasse voorspellen voor X;score(X, y)– Geeft de nauwkeurigheid voor de X, y set terug.
Na het importeren van de klasse en het aanmaken van een klasse-object zoals hieronder:
# Importing the class
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)
Moet de trainingsdata worden aangeboden met de .fit() methode:
knn.fit(X_scaled, y)
En dat is alles! Nu kunnen nieuwe waarden worden voorspeld.
y_pred = knn.predict(X_new_scaled)
Schalen van de data
Houd er echter rekening mee dat de data geschaald moet worden. StandardScaler wordt hiervoor vaak gebruikt:
Constructor:
StandardScaler().
Methoden:
fit(X)– Berekent xˉ en s voor X;transform(X)– Geeft Xscaled terug met gebruik van xˉ,s uit.fit();fit_transform(X)– Voert eerst.fit(X)uit en daarna.transform(X).
Je moet xˉ en s alleen op de trainingsset berekenen met .fit() of .fit_transform().
Gebruik vervolgens .transform() op de testset zodat beide sets identiek geschaald worden:
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
Verschillende schaalwaarden voor train en test schaden de voorspellingen.
Voorbeeld
We voorspellen of een persoon Star Wars VI leuk vindt aan de hand van hun beoordelingen voor Episodes IV en V (van The Movies Dataset).
Na het trainen testen we twee gebruikers: één beoordeelde IV/V als 5 en 5, de ander als 4.5 en 4.
123456789101112131415161718192021222324252627from 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)
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 3.33Implementatie van k-NN
Veeg om het menu te tonen
KNeighborsClassifier
Het implementeren van k-Nearest Neighbors is vrij eenvoudig. Het enige wat nodig is, is het importeren en gebruiken van de klasse KNeighborsClassifier.
Constructor:
KNeighborsClassifier(n_neighbors = 5)n_neighbors– aantal buren (k). Standaardwaarde is 5;
Methoden:
fit(X, y)– Trainingsset fitten;predict(X)– Klasse voorspellen voor X;score(X, y)– Geeft de nauwkeurigheid voor de X, y set terug.
Na het importeren van de klasse en het aanmaken van een klasse-object zoals hieronder:
# Importing the class
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)
Moet de trainingsdata worden aangeboden met de .fit() methode:
knn.fit(X_scaled, y)
En dat is alles! Nu kunnen nieuwe waarden worden voorspeld.
y_pred = knn.predict(X_new_scaled)
Schalen van de data
Houd er echter rekening mee dat de data geschaald moet worden. StandardScaler wordt hiervoor vaak gebruikt:
Constructor:
StandardScaler().
Methoden:
fit(X)– Berekent xˉ en s voor X;transform(X)– Geeft Xscaled terug met gebruik van xˉ,s uit.fit();fit_transform(X)– Voert eerst.fit(X)uit en daarna.transform(X).
Je moet xˉ en s alleen op de trainingsset berekenen met .fit() of .fit_transform().
Gebruik vervolgens .transform() op de testset zodat beide sets identiek geschaald worden:
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
Verschillende schaalwaarden voor train en test schaden de voorspellingen.
Voorbeeld
We voorspellen of een persoon Star Wars VI leuk vindt aan de hand van hun beoordelingen voor Episodes IV en V (van The Movies Dataset).
Na het trainen testen we twee gebruikers: één beoordeelde IV/V als 5 en 5, de ander als 4.5 en 4.
123456789101112131415161718192021222324252627from 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)
Bedankt voor je feedback!
