Рассматриваемые темы:
1. Введение в метод K-ближайших соседей
2. Необходимые шаги
3. Преимущества
4. Недостатки
5. Метод локтя небольшое введение
1) Введение.
Это контролируемый алгоритм машинного обучения.
Его можно использовать для решения задач как классификации, так и регрессии.
Работает исходя из предположения, что на точки данных, как правило, влияют данные вокруг них, точно так же, как на людей влияет компания, которую мы держим.
Для достижения оптимального решения используются евклидовы расстояния между точками данных.
2) Затраченные шаги:
1. Выберите число K соседей (значение K должно быть предоставлено нами).
2. Вычислите евклидову расстояние до всех соседних точек данных.
3. Возьмите k ближайших соседей.
4. Среди k соседей из последнего шага подсчитайте точки данных, представленные в каждой категории.
5 , Назначьте новую точку данных категории с максимальным числом соседей из последнего шага.
6. Модель готова для прогнозирования категорий новых точек данных.
3) Преимущества:
1. Это непараметрический алгоритм. Он не делает предположений о базовых данных, а просто рассматривает его класс.
2. Новые точки данных можно легко классифицировать.
3. Время обучения очень меньше, поскольку он просто сохраняет все предоставленные данные и вычисляет расстояния при представлении новой точки данных.
4. Он устойчив к зашумленным данным и выбросам.
4) Недостатки:
1. Значение для K должно быть выбрано пользователем методом проб и ошибок.
2. Алгоритм с большими вычислительными затратами, т.к. для этого требуется вычислить расстояние до всех точек данных.
5) Метод локтя:
Это метод, который можно использовать для получения оценки значения K, которое будет лучше для данных, которые у нас есть в hand.
Перебирая различные значения из диапазона k, мы можем получить значения ошибок для каждого значения K.
Затем, построив график зависимости значения K от соответствующей ошибки для каждого из значений K , мы можем видеть локтевой узор.
