Lära Implementering av k-NN

KNeighborsClassifier

Att implementera k-Nearest Neighbors är ganska enkelt. Det enda som krävs är att importera och använda klassen KNeighborsClassifier.

Konstruktor:

KNeighborsClassifier(n_neighbors = 5)
n_neighbors – antal grannar (k). Standardvärdet är 5;

Metoder:

fit(X, y) – Anpassar träningsdata;
predict(X) – Förutsäger klassen för X;
score(X, y) – Returnerar noggrannheten för X, y-datasetet.

När klassen har importerats och ett klassobjekt har skapats enligt följande:

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

Mata in träningsdata med metoden .fit():

knn.fit(X_scaled, y)

Klart! Nu kan nya värden förutsägas.

y_pred = knn.predict(X_new_scaled)

Skalning av data

Observera dock att data måste skalas. StandardScaler används ofta för detta ändamål:

Konstruktor:

StandardScaler().

Metoder:

fit(X) – beräknar $\bar{x}$ och $s$ för X;
transform(X) – returnerar $X_{\text{scaled}}$ med $\bar{x}, s$ från .fit();
fit_transform(X) – .fit(X) följt av .transform(X).

Du måste beräkna $\bar x$ och $s$ endast på träningsuppsättningen med hjälp av .fit() eller .fit_transform(). Använd sedan .transform() på testuppsättningen så att båda uppsättningarna skalas identiskt:

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

Att använda olika skalningsvärden för träning och test försämrar prediktionerna.

Exempel

Vi förutspår om en person tycker om Star Wars VI genom att använda deras betyg för Episod IV och V (från The Movies Dataset). Efter träning testar vi två användare: en gav IV/V betygen 5 och 5, den andra 4.5 och 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 allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 17

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Svep för att visa menyn

KNeighborsClassifier

Att implementera k-Nearest Neighbors är ganska enkelt. Det enda som krävs är att importera och använda klassen KNeighborsClassifier.

Konstruktor:

KNeighborsClassifier(n_neighbors = 5)
n_neighbors – antal grannar (k). Standardvärdet är 5;

Metoder:

fit(X, y) – Anpassar träningsdata;
predict(X) – Förutsäger klassen för X;
score(X, y) – Returnerar noggrannheten för X, y-datasetet.

När klassen har importerats och ett klassobjekt har skapats enligt följande:

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

Mata in träningsdata med metoden .fit():

knn.fit(X_scaled, y)

Klart! Nu kan nya värden förutsägas.

y_pred = knn.predict(X_new_scaled)

Skalning av data

Observera dock att data måste skalas. StandardScaler används ofta för detta ändamål:

Konstruktor:

StandardScaler().

Metoder:

fit(X) – beräknar $\bar{x}$ och $s$ för X;
transform(X) – returnerar $X_{\text{scaled}}$ med $\bar{x}, s$ från .fit();
fit_transform(X) – .fit(X) följt av .transform(X).

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

Att använda olika skalningsvärden för träning och test försämrar prediktionerna.

Exempel


              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 allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 17