Diapositiva 1

Mashina o'rganishga kirish

Ma’ruza 13-14(2)
Mavzu: Mashinani o'rganishda tasniflash muammolari (K- nn )

K - eng yaqin qo'shni usuli _

Ko'p o'lchovli xususiyat fazosida k eng yaqin qo'shnilarini o'z ichiga olgan sinfga ob'ektlarni tayinlaydigan tasniflash muammosini hal qilish usuli . Bu tasniflash modellarini tayyorlash uchun eng oddiy algoritmlardan biridir. K soni - bu tasniflanayotgan ob'ekt bilan taqqoslanadigan xususiyat maydonidagi qo'shni ob'ektlar soni.

Algoritm

Sinov namunasi ob'ektlarining har birini tasniflash uchun quyidagi operatsiyalar ketma-ket bajarilishi kerak:

• Trening namunasidagi ob'ektlarning har biriga masofani hisoblang ,
• Masofasi minimal bo'lgan ta'lim namunasining k ob'ektini tanlang ,
• qo'shnilar orasida eng ko'p uchraydigan sinfdir .

4

Evklid masofasi

•  

normallashtirish

•  

Oddiy vaznsiz ovoz berish

•  

8

Vaznli ovoz berish

9

Vaznli ovoz berish

•  

10 _

Regressiya muammolari uchun knn qo'llanilishi

•  

o'n bir _

Misol: Fisher Irises

Uch sinfdagi 150 ta gul :

Ikki parametr: sepal uzunligi va gulbarg uzunligi.

gulbarg uzunligiga ega ikkita yangi gul : 5,3 va 1,6 ( gul 1 ), 6,1 va 4,8 ( gul 2 ).

12 _

Fisherning irislari : sinfni joylashtirish diagrammasi

13 _

Fisher's Irises : Oddiy vaznsiz ovoz berish

•  

Ob'ekt	Sepal	Gulbarg	Masofa	Sinf
Gul 1	5.3 _	1.6	-	-
A	5.3	1.5	0.1	Iris Setosa
B	5.2	1.5	0,14	Iris Setosa
C	5.2	1.5	0,14	Iris Setosa

sinfi 1 : Iris Setosa
14 _

Fisherning irislari: oddiy vaznsiz ovoz berish

•  

Ob'ekt	Sepal	Gulbarg	Masofa	Sinf
Gul 2	6.1	4.8	-	-
A	6.1	4.7	0,14	Iris Versicolour
B	6	4.8	0.1	Iris Virjinika
C	6.2	4.8	0.1	Iris Virjiniya

sinfi 2 : Virjiniya iris
15 _

Fisherning irislari: vaznli ovoz berish

sinfi 2 : Virjiniya iris
16 _

Knn usulining afzalliklari

• Algoritmning dasturiy ta'minotini amalga oshirish nisbatan oddiy .
• Algoritmni o'zgartirish imkoniyati .
• Algoritm anomaliyalarga chidamli .
• Algoritm natijalarini sharhlash qobiliyati .

1 7

Knn usulining kamchiliklari

• Algoritm uchun foydalaniladigan ma'lumotlar to'plami vakili bo'lishi kerak .
• Butun o'quv majmuasini saqlash zarurati .
• Eng oddiy hollarda, metrik algoritmlar juda kambag'al parametrlarga ega, bu esa algoritmni ma'lumotlarga asoslangan holda sozlash imkoniyatini yo'q qiladi.
• holatlari orasidagi masofani hisoblashimiz kerak .

18 _

Knn usulini qo'llash

• Matnni tanib olish ,
• Qishloq xo'jaligi ,
• Moliya ,
• Dori ,
• Firibgarlikni aniqlash ,
• QSAR.

19

Rda model yaratish

preProc <- preProcess (x, method=c("masshtab", "markaz"))

x <- bashorat qilish( preProc , x) set.seed (42)

cv <- katlamalarni yaratish (y, 5, returnTrain =TRUE)

trControl <- trainControl (metod="LGOCV", indeks=cv, savePredictions =TRUE, preProcOptions =NULL)

knnGrid <- data.frame (k= seq (1,20,2))

m.knn <- poezd (x, y, method=" knn ", trControl = trControl , tuneGrid = knnGrid )

20 _

Eruvchanlik bo'yicha namuna olish Natijalar

21

E'tiboringiz uchun rahmat !!!