KNN-laboratorium

Afstande, naboer og klassifikation i Python

← Til værktøjerne

Machine learning · Supervised learning · K-nearest neighbors

Fortæl mig, hvem dine nærmeste naboer er.

KNN gemmer kendte eksempler og klassificerer et nyt datapunkt ud fra dem, der ligger tættest på. Flyt punktet, justér k, tilføj outliers og se, hvordan afstande bliver til en beslutning.

Din missionGå fra ren afstandsforståelse til KNN-klassifikation og modelvurdering med accuracy, testdata, outliers og beslutningsområder.
1

Afstand

Lighed måles som afstand mellem punkter i et koordinatsystem.

2

Naboer

De k nærmeste kendte punkter stemmer om klassen.

3

Vurdering

Valg af k, outliers og feature-skala kan ændre modellens fejl.

Niveau 1 · Afstand mellem punkter

Linjerne viser euklidisk afstand
Stor sort markør = nyt punktOrange ring = nærmeste naboer
Punkter
0
k
3
Klasse
?
Accuracy
-

Python-kode

Koden viser den centrale algoritme for det valgte niveau.

knn_afstand.pyKoden følger niveauet.

Tre undersøgelser

1 · Flyt punktet

Find et sted, hvor nærmeste nabo skifter. Hvilken afstand bliver afgørende?

2 · Skift k

Sammenlign k = 1, k = 3 og k = 5. Hvornår ændrer klassifikationen sig?

3 · Lav støj

Tilføj en outlier tæt på det nye punkt og undersøg forskellen på lille og stor k.