Соседи России
<<  Наши ближайшие соседи Монголия  >>
Метод k-ближайших соседей
Метод k-ближайших соседей
Метод k-ближайших соседей (K-nearest neighbor)
Метод k-ближайших соседей (K-nearest neighbor)
Метод k-ближайших соседей
Метод k-ближайших соседей
Алгоритм
Алгоритм
Эвклидово расстояние
Эвклидово расстояние
Нормализация
Нормализация
Простое невзвешенное голосование
Простое невзвешенное голосование
Простое невзвешенное голосование
Простое невзвешенное голосование
Взвешенное голосование
Взвешенное голосование
Взвешенное голосование
Взвешенное голосование
Применение knn для регрессионных задач
Применение knn для регрессионных задач
Пример: Ирисы фишера
Пример: Ирисы фишера
Ирисы фишера: Диаграмма размещения классов
Ирисы фишера: Диаграмма размещения классов
Ирисы фишера: Простое невзвешенное голосование
Ирисы фишера: Простое невзвешенное голосование
Ирисы фишера: Простое невзвешенное голосование
Ирисы фишера: Простое невзвешенное голосование
Ирисы фишера: взвешенное голосование
Ирисы фишера: взвешенное голосование
Достоинства метода knn
Достоинства метода knn
Недостатки метода knn
Недостатки метода knn
Применение метода knn
Применение метода knn
Построение модели в R
Построение модели в R
Выборка по растворимости Результаты
Выборка по растворимости Результаты
Выборка по мутагенности Результаты
Выборка по мутагенности Результаты
Метод k-ближайших соседей
Метод k-ближайших соседей

Презентация на тему: «Метод k-ближайших соседей». Автор: Katechko. Файл: «Метод k-ближайших соседей.pptx». Размер zip-архива: 1779 КБ.

Метод k-ближайших соседей

содержание презентации «Метод k-ближайших соседей.pptx»
СлайдТекст
1 Метод k-ближайших соседей

Метод k-ближайших соседей

к.х.н. Варламова Екатерина Владимировна

2 Метод k-ближайших соседей (K-nearest neighbor)

Метод k-ближайших соседей (K-nearest neighbor)

2

Метод решения задачи классификации, который относит объекты к классу, которому принадлежит большинство из k его ближайших соседей в многомерном пространстве признаков. Это один из простейших алгоритмов обучения классификационных моделей. Число k – это количество соседних объектов в пространстве признаков, которое сравнивается с классифицируемым объектом.

3 Метод k-ближайших соседей

Метод k-ближайших соседей

3

4 Алгоритм

Алгоритм

4

Для классификации каждого из объектов тестовой выборки необходимо последовательно выполнить следующие операции: Вычислить расстояние до каждого из объектов обучающей выборки, Отобрать k объектов обучающей выборки, расстояние до которых минимально, Класс классифицируемого объекта — это класс, наиболее часто встречающийся среди k ближайших соседей.

5 Эвклидово расстояние

Эвклидово расстояние

5

6 Нормализация

Нормализация

6

7 Простое невзвешенное голосование

Простое невзвешенное голосование

7

8 Простое невзвешенное голосование

Простое невзвешенное голосование

8

9 Взвешенное голосование

Взвешенное голосование

9

10 Взвешенное голосование

Взвешенное голосование

10

11 Применение knn для регрессионных задач

Применение knn для регрессионных задач

11

12 Пример: Ирисы фишера

Пример: Ирисы фишера

12

150 цветков трех классов: Два параметра: длина чашелистика и длина лепестка. Два новых цветка со следующими значениями длины чашелистика и лепестка: 5,3 и 1,6 (цветок 1), 6,1 и 4,8 (цветок 2).

Iris Setosa

Iris Versicolour

Iris Virginica

13 Ирисы фишера: Диаграмма размещения классов

Ирисы фишера: Диаграмма размещения классов

13

14 Ирисы фишера: Простое невзвешенное голосование

Ирисы фишера: Простое невзвешенное голосование

14

Класс цветка 1: Iris Setosa

Объект

Чашелистик

Лепесток

Расстояние

Класс

Цветок 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

15 Ирисы фишера: Простое невзвешенное голосование

Ирисы фишера: Простое невзвешенное голосование

15

Класс цветка 2: Iris Virginica

Объект

Чашелистик

Лепесток

Расстояние

Класс

Цветок 2

6,1

4,8

-

-

A

6,1

4,7

0,14

Iris Versicolour

B

6

4,8

0,1

Iris Virginica

C

6,2

4,8

0,1

Iris Virginica

16 Ирисы фишера: взвешенное голосование

Ирисы фишера: взвешенное голосование

16

Класс цветка 2: Iris Virginica

17 Достоинства метода knn

Достоинства метода knn

17

Программная реализация алгоритма относительно проста. Возможность модификации алгоритма. Алгоритм устойчив к аномальным выбросам. Возможность интерпретации результатов работы алгоритма.

18 Недостатки метода knn

Недостатки метода knn

18

Набор данных, используемый для алгоритма, должен быть репрезентативным. Необходимость хранить обучающую выборку целиком. В простейших случаях метрические алгоритмы имеют крайне бедный набор параметров, что исключает возможность настройки алгоритма по данным. Затраты в производительности велики, поскольку нам необходимо вычислить расстояния между каждым экземпляром и всеми пробными экземплярами.

19 Применение метода knn

Применение метода knn

19

Распознавание текста, Сельское хозяйство, Финансы, Медицина, Обнаружение мошенничества, QSAR.

20 Построение модели в R

Построение модели в R

20

preProc <- preProcess(x, method=c("scale", "center")) x <- predict(preProc, x) set.seed(42) cv <- createFolds(y, 5, returnTrain=TRUE) trControl <- trainControl(method="LGOCV", index=cv, savePredictions=TRUE, preProcOptions=NULL) knnGrid <- data.frame(k=seq(1,20,2)) m.knn <- train(x, y, method="knn", trControl=trControl, tuneGrid=knnGrid)

21 Выборка по растворимости Результаты

Выборка по растворимости Результаты

21

22 Выборка по мутагенности Результаты

Выборка по мутагенности Результаты

22

22

23 Метод k-ближайших соседей
«Метод k-ближайших соседей»
http://900igr.net/prezentacija/okruzhajuschij-mir/metod-k-blizhajshikh-sosedej-97176.html
cсылка на страницу

Соседи России

14 презентаций соседях России
Урок

Окружающий мир

79 тем
Слайды