Klassifikatsiya Mashinaviy o'qitish uchun k-eng yaqin qo'shnilar (k-nn k-nearest Neighbor) algoritmi

K-NN algoritmida K qiymatini tanlash :
K uchun eng yaxshi qiymatni aniqlashning alohida usuli yo'q, shuning uchun biz ulardan eng yaxshisini topish uchun ba'zi qiymatlarni sinab ko'rishimiz kerak. K uchun eng maqbul qiymat 5 ga teng.
K = 1 yoki K = 2 kabi K uchun juda past qiymat bo'lishi mumkin. K uchun katta qiymatlar yaxshi, lekin u ba'zi qiyinchiliklarga olib kelishi mumkin.
K-NN algoritmini Python dasturlash tili orqali qo’llash
Mashinaviy o’qitishda klassifikatsiya(tasniflash) algoritmlarini amaliy jarayonlarda qo’llab ko’ramiz, buning uchun dataset (ma’lumotlar to’plami) tanlab olingan. Ushbu dataset Hindistonning Qandli diabet va buyrak kasalliklari milliy institutidan olingan. Maqsad diagnostik o’lchovlar asosida ayol bemorda diabet bor-yo’qligini taxmin qilishdir.
Datasetdagi ustunlar uchun izohlar:

• 
  Pregnancies: homilador bo’lish soni
  
• 
  Glucose: glyukozaga test natijasi
  
• 
  BloodPressure: diastolik qon bosimi (mm Hg)
  
• 
  SkinThickness: Triceps teri burmasining qalinligi (mm)
  
• 
  Insulin: 2 soatlik sarum insulini (mu U/ml)
  
• 
  BMI: Tana massasi indeksi (vazn kg / (m bo’yi) ^ 2)
  
• 
  DiabetesPedigreeFunction: diabetning naslchilik funktsiyasi
  
• 
  Age: Yosh (yil)
  
• 
  diagnosis: Class (0 – diabet yo’q, 1 – diabet)
  

K-NN algoritmini amalga oshirish bosqichlari:

• 
  Ma'lumotlarni oldindan qayta ishlash bosqichi
  
• 
  K-NN algoritmini o'quv to'plamiga moslashtirish
  
• 
  Sinov natijasini bashorat qilish
  
• 
  Natijaning to'g'riligini tekshirish
  
• 
  Test to'plamining natijasini vizualizatsiya qilish.
  

1.Ma'lumotlarni oldindan qayta ishlash bosqichi:

1. 
   Dastlab kerakli kutubxonalar va Dastasetni chaqirib olamiz:
   

2. 
   Ma’lumotlarimizni ekranga chop qilamiz.
   

3. 
   Korrelyasiya. Berilgan datasetda ‘diagnosis’ ustuniga tasir qiluvchi ustunlarni topamiz.
   

Natijalardan ko’rinib turibdiki ‘diagnosis’ ustuniga ‘Glucose’ ustuni ko’proq tasir qilmoqda.

4. 
   Datasetdagi ma’lumotlarni ‘X’ (‘diagnosis’ ustunidan boshqa barcha ustundagi qiymatlar) va ‘Y’ (‘diagnosis’ ustunidagi qiymatlar) o’zgaruvchilarga ta’minlab olamiz.
   

5. 
   StandartScaler funksiyasi yordamida ma’lumotlarni standart (kichik oraliqga) holatga keltiramiz.
   

K-NN klassifikatorini o'quv ma'lumotlariga moslashtiramiz. Buning uchun biz Sklearn Neighbors kutubxonasining KNeighborsClassifier sinfini import qilamiz. Sinfni import qilgandan so'ng biz sinfning knn ob'ektini yaratamiz . Ushbu sinfning parametrlari mavjud:

•