Uvod v algoritem KNN v R

V algoritmu KNN v R KNN pomeni K algoritem najbližjega soseda in R je programski jezik. Kaže se, da je najpreprostejši algoritem strojnega učenja. KNN je nadzorovani algoritem razvrsti podatkovne točke v ciljni razred s primerjavo funkcij z najbližjim sosedom.

Primer: Predpostavimo, da želite razvrstiti zaslon na dotik in telefon s tipkovnico. Pri razlikovanju obeh telefonov obstajajo različni dejavniki. Vendar je dejavnik, ki razlikuje oba telefona, tipkovnica. Torej, ko prejmemo podatkovno točko (tj. Telefon). Primerjamo ga s podobnimi lastnostmi sosednjih podatkovnih točk, da ga uvrstimo med tipkovnico ali telefon na dotik.

Značilnosti algoritma KNN

Tu bomo preučili značilnosti algoritma KNN:

  • KNN algoritem uporablja vhodne podatke za napovedovanje izhodnih podatkovnih točk.
  • Algoritem lahko uporabimo za različne sklope problemov.
  • Za razvrščanje podatkov se osredotoča na podobnost funkcij.
  • KNN algoritem obravnava realne podatke in ne daje nobenih predpostavk o podatkovnih točkah.
  • KNN si zapomni nabor podatkov o vadbi, ne pa da je intuitiven. Prav tako lahko rečemo, da ima leni pristop.
  • Lahko reši težave s klasifikacijo in regresijo.

Reševanje problemov v algoritmu KNN v R

Naslednja težava:

1. Problem klasifikacije

V težavi s klasifikacijo so vrednosti diskretne, tako kot želite uživati ​​pico z prelivi ali brez. Obstaja skupno stališče. Algoritem KNN pomaga pri reševanju takšnega problema.

2. Problem regresije

Problem regresije se pojavi v sliki, ko imamo odvisno spremenljivko in neodvisno spremenljivko. Na primer: indeks BMI. Običajno vsaka vrstica vsebuje opazovalno ali podatkovno točko in primer.

Algoritem KNN v R

Poglejmo korake v algoritmu, ki ga je treba upoštevati:

1. korak: Naložite vhodne podatke.

2. korak: Inicializirajte K s številom najbližjih sosedov.

3. korak: Izračun podatkov (tj. Razdalja med trenutnim in najbližjim sosedom)

4. korak: Dodajanje razdalje trenutno urejenemu naboru podatkov.

5. korak: Pobiranje K vnosov in njihovo označevanje.

6. korak: Vrnite srednjo vrednost za regresijski problem.

7. korak: Vrnite vrednost načina za težave s klasifikacijo.

Točke, ki si jih morate zapomniti med izvajanjem algoritma KNN

  • Poskrbeti bi morali, da bo vrednost K večja od ene, saj napoveduje, da je napoved natančna.
  • Bolj kot je vrednost K, natančnejša napoved je lahko posledica večine.
  • Zaželeno je, da je K kot liho število. V nasprotnem primeru lahko pride do prekinitve kravate.

Psevdok KNN

V spodnji formuli oz. predstavlja spremenljivke in predstavlja podatkovne točke, kjer je (i = 1, 2, 3…)

Set(, )

Uporabite primere

Sledijo primeri uporabe v algoritmu KNN v R:

1. Primerjava izdelkov in pomoč pri nakupovalnih priporočilih

Ko kupujemo prenosni računalnik ali računalnik s spletnega mesta za e-trgovino, vidimo tudi priporočila za nakupovanje, kot je nakup protivirusne programske opreme ali zvočnikov. Vse to je zato, ker ko prejšnja stranka kupi prenosni računalnik, ga večinoma kupi skupaj z protivirusnimi ali zvočniki. Strojno učenje pomaga pri priporočilih za e-trgovino.

2. Priporočila za hrano

Strojno učenje pomaga tudi pri priporočilih, ki temeljijo na predhodno naročeni hrani in temu primerno predlagajo tudi restavracije.

Primer algoritma KNN

Sledijo primeri algoritma KNN:

1. Uvoz podatkov

Vzemimo drobne podatke o nas, ki napovedujejo velikost majice fanta s pomočjo višine in teže.

Višina (cm) Teža (kg) Velikost
140 58 S
140 59 S
140 63 S
150 59 M
152 60 M
153 60 M
154 61 M
155 64 M
156 64 M
157 61 M
160 62 L
161 65 L
162 62 L
163 63 L
163 66 L
165 63 L
165 64 L
165 68 L

2. Iskanje podobnosti z izračunom razdalje

Kot neprekinjeni podatki lahko uporabimo manhattansko in evklidsko razdaljo. Izračunamo razdaljo med novim vzorcem in naborom podatkov o vadbi, nato pa poiščemo K-najbližje.

Primer: Recimo, da ima Raj višino 165 cm in tehta 63 kg. Evklidsko razdaljo izračunamo s pomočjo prvega opazovanja z novim vzorcem: SQRT ((165-140) 2 + (63-58) 2)

3. Iskanje K-najbližjih sosedov

Predpostavimo, da je K = 4, obstajajo 4 stranke, pri katerih so bile 3 srednje velikosti in 1 velike velikosti. Najboljša napoved so srednje velikosti obleke Raj.

Razlika med KNN in K-srednjo

Sledijo razlike:

  • KNN je nadzorovani algoritem (odvisna spremenljivka), medtem ko je srednja vrednost K-ja nenadzorovani algoritem (ni odvisne spremenljivke).
  • K-srednja uporablja tehniko združevanja, da razdeli podatkovne točke, ki tvorijo K-grozde. KNN uporablja K-najbližje sosede za razvrščanje podatkovnih točk in jih združuje.

Prednosti in slabosti KNN

Prednosti so naslednje:

  • KNN algoritem je vsestranski, lahko ga uporabljamo za težave s klasifikacijo in regresijo.
  • Za izdelavo algoritma KNN ni potreben predhodni model.
  • Enostavno in enostavno izvedljivo.

Sledijo slabosti:

  • Algoritem z naraščanjem števila vzorcev (tj. Nobenih spremenljivk)

Priporočeni članki

To je vodnik za algoritem KNN v R. Tukaj razpravljamo o značilnostih, primerih, psevdokodu, korakih, ki jih je treba upoštevati v Algoritmu KNN. Obiščite lahko tudi druge naše sorodne članke, če želite izvedeti več -

  1. Algoritmi znanosti o podatkih
  2. Kaj je genetski algoritem?
  3. Algoritmi poti
  4. Algoritmi nevronske mreže
  5. C ++ algoritem | Primeri algoritma C ++

Kategorija:

Veliki podatki