الگوریتم KNN در پایتون

k-نزدیک‌ترین همسایگی (k-Nearest Neighbors) یک روش ناپارامتری است که در داده‌کاوی، یادگیری ماشین و تشخیص الگو مورد استفاده قرار می‌گیرد.

در این مقاله به کدنویسی الگوریتم KNN در پایتون می‌پردازیم.

با ما همراه باشید.

 

یکی از دلایل اصلی پرکاربرد بودن الگوریتم‌های طبقه‌بندی (Classification) آن است که «تصمیم‌گیری» یکی از چالش‌های اساسی موجود در اغلب پروژه‌های تحلیلی است.

برای مثال، تصمیم‌گیری درباره اینکه آیا مشتری X پتانسیل لازم برای مورد هدف قرار داده شدن در کارزارهای دیجیتال یک کسب‌و‌کار را دارد یا خیر و یا اینکه آیا یک مشتری وفادار است یا نه از جمله مسائل تصمیم‌گیری به حساب می‌آیند که در فرآیند تحلیل قصد پاسخ‌دهی به آن‌ها وجود دارد.

نتایج این تحلیل‌ها بسیار تأمل‌برانگیز هستند و به‌طور مستقیم به پیاده‌سازی نقشه راه در یک سازمان یا کسب‌و‌کار کمک می‌کنند.

الگوریتم KNN
الگوریتم KNN

در این نوشتار، به یکی از روش‌های پرکاربرد طبقه‌بندی، یعنی روش k-نزدیک‌ترین همسایگی پرداخته شده و تمرکز آن بر چگونگی کار کردن الگوریتم و تأثیر پارامترهای ورودی بر خروجی و پیش‌بینی است.

شبه کد k-نزدیک‌ترین همسایگی

پیاده‌سازی مدل k-نزدیک‌ترین همسایگی با استفاده از شبه کد زیر امکان‌پذیر است:
  1. بارگذاری داده‌ها
  2. انتخاب اولیه مقدار k
  3. برای ایجاد کلاس‌های پیش‌بینی، از مقدار ۱ تا تعداد کل نقاط داده آموزش تکرار شود:
    1. فاصله داده‌های تست از هر سطر مجموعه داده آموزش محاسبه می‌شود.
      در اینجا از فاصله اقلیدسی به عنوان فاصله سنجش استفاده می‌شود که مرسوم‌ترین روش است و دیگر سنجه‌های قابل استفاده عبارت‌اند از فاصله چبیشف، کسینوس و دیگر موارد
    2. فاصله‌های محاسبه شده بر اساس مقدار فاصله به‌صورت صعودی مرتب شودند
    3. سطرهای k بالایی از آرایه مرتب شده انتخاب شود
    4. کلاس‌های دارای بیشترین تکرار در این سطرها دریافت شود
    5. مقدار کلاس پیش‌بینی‌شده بازگردانده شود

کدنویسی الگوریتم KNN در پایتون

از مجموعه داده معروف Iris برای ساخت مدل KNN استفاده شده است.

الگوریتم KNN در پایتون

حالا با جایگزینی مقدار K می‌توان شاهد تغییرات نتایج پیش‌بینی‌ها باشیم:

 

نظرات خود را در ارتباط با مقاله ی آموزشی “کار با الگوریتم k-Nearest Neighbors با پایتون” را بنویسید.

در ارتباط با شاخه های مختلف هوش مصنوعی در این لینک بیشتر بخوانید.

موفق باشید.

برای امتیاز به این نوشته کلیک کنید!
[کل: ۲ میانگین: ۴]
با دوستانتان به اشتراک بگذارید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*

code