Mashina o'rganishga kirish



Yüklə 7,43 Kb.
tarix21.12.2023
ölçüsü7,43 Kb.
#187633
13-14лекция(2-пара) (1) (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 !!!


Yüklə 7,43 Kb.

Dostları ilə paylaş:




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©azkurs.org 2024
rəhbərliyinə müraciət

gir | qeydiyyatdan keç
    Ana səhifə


yükləyin