Implementando k-NN
KNeighborsClassifier
A implementação do k-Nearest Neighbors é bastante direta. Basta importar e utilizar a classe KNeighborsClassifier.
Após importar a classe e criar um objeto da classe conforme abaixo:
# Importing the class
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)
É necessário fornecer os dados de treinamento utilizando o método .fit():
knn.fit(X_scaled, y)
Pronto! Agora já é possível prever novos valores.
y_pred = knn.predict(X_new_scaled)
Escalonamento dos dados
No entanto, lembre-se de que os dados devem ser escalonados. O StandardScaler é comumente utilizado para esse fim:
Você deve calcular xˉ (média) e s (desvio padrão) no conjunto de treinamento utilizando o método .fit() ou .fit_transform(). Esta etapa garante que os parâmetros de escala sejam derivados dos dados de treinamento.
Quando houver um conjunto de teste para prever, é necessário utilizar o mesmo xˉ e s para pré-processar esses dados usando .transform(). Essa consistência é fundamental, pois garante que os dados de teste sejam escalados da mesma forma que os dados de treinamento, mantendo a integridade das previsões do modelo.
# Importing the class
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
# Calculating x̄ and s and scaling `X_train`
X_train_scaled = scaler.fit_transform(X_train)
# Scaling `X_test` with x̄ and s calculated in the previous line
X_test_scaled = scaler.transform(X_test)
Se você utilizar xˉ e s diferentes para o conjunto de treinamento e para o conjunto de teste, suas previsões provavelmente serão piores.
Exemplo
Vamos explorar um exemplo simples em que o objetivo é prever se uma pessoa irá gostar de Star Wars VI com base em suas avaliações para Star Wars IV e V. Os dados foram retirados de The Movies Dataset com pré-processamento adicional. Considera-se que uma pessoa gosta de Star Wars VI se ela atribuir uma nota maior que 4 (de um total de 5).
Após treinar nosso modelo, faremos previsões para duas pessoas do conjunto de teste. A primeira pessoa avaliou Star Wars IV e V com 5 e 5, respectivamente, enquanto a segunda avaliou com 4.5 e 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)
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 4.17Implementando k-NN
Deslize para mostrar o menu
KNeighborsClassifier
A implementação do k-Nearest Neighbors é bastante direta. Basta importar e utilizar a classe KNeighborsClassifier.
Após importar a classe e criar um objeto da classe conforme abaixo:
# Importing the class
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=3)
É necessário fornecer os dados de treinamento utilizando o método .fit():
knn.fit(X_scaled, y)
Pronto! Agora já é possível prever novos valores.
y_pred = knn.predict(X_new_scaled)
Escalonamento dos dados
No entanto, lembre-se de que os dados devem ser escalonados. O StandardScaler é comumente utilizado para esse fim:
Você deve calcular xˉ (média) e s (desvio padrão) no conjunto de treinamento utilizando o método .fit() ou .fit_transform(). Esta etapa garante que os parâmetros de escala sejam derivados dos dados de treinamento.
Quando houver um conjunto de teste para prever, é necessário utilizar o mesmo xˉ e s para pré-processar esses dados usando .transform(). Essa consistência é fundamental, pois garante que os dados de teste sejam escalados da mesma forma que os dados de treinamento, mantendo a integridade das previsões do modelo.
# Importing the class
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
# Calculating x̄ and s and scaling `X_train`
X_train_scaled = scaler.fit_transform(X_train)
# Scaling `X_test` with x̄ and s calculated in the previous line
X_test_scaled = scaler.transform(X_test)
Se você utilizar xˉ e s diferentes para o conjunto de treinamento e para o conjunto de teste, suas previsões provavelmente serão piores.
Exemplo
Vamos explorar um exemplo simples em que o objetivo é prever se uma pessoa irá gostar de Star Wars VI com base em suas avaliações para Star Wars IV e V. Os dados foram retirados de The Movies Dataset com pré-processamento adicional. Considera-se que uma pessoa gosta de Star Wars VI se ela atribuir uma nota maior que 4 (de um total de 5).
Após treinar nosso modelo, faremos previsões para duas pessoas do conjunto de teste. A primeira pessoa avaliou Star Wars IV e V com 5 e 5, respectivamente, enquanto a segunda avaliou com 4.5 e 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)
Obrigado pelo seu feedback!
