r knn 예제

기계 학습은 학습할 수 있는 알고리즘의 설계를 연구하는 컴퓨터 과학분야입니다. 일반적인 기계 학습 작업은 개념 학습, 기능 학습 또는 “예측 모델링”, 클러스터링 및 예측 패턴 찾기입니다. 이러한 작업은 예를 들어 경험이나 지침을 통해 관찰된 사용 가능한 데이터를 통해 학습됩니다. 기계 학습은 경험을 작업에 포함하면 결국 학습이 향상되기를 희망합니다. 궁극적인 목표는 자신과 같은 인간이 더 이상 간섭할 필요가 없도록 자동적인 방식으로 학습을 개선하는 것입니다. 레이블이 지정된 샘플 그룹이 여러 개 있다고 가정해 보겠습니다. 그룹에 있는 항목은 본질적으로 균일합니다. 이제 레이블이 지정되지 않은 여러 그룹 중 하나로 분류해야 하는 레이블이 지정되지 않은 예제가 있다고 가정합니다. 어떻게 해야 할까요? kNN 알고리즘을 사용하여 주저하지 않고.

분류기를 빌드하려면 knn() 함수를 사용하여 이 예제와 마찬가지로 몇 가지 인수를 추가하면 됩니다. 그렇다면 유클리드 공식에서 어떻게 사용해야 할까요? 음, 아래 예제에서도 볼 수 있는 수식(x-min(x))/(min(x) – max(x)))를 사용하여 각 변수를 정규화합니다. 이제 200kg의 변수가 하나 있고 다른 변수가 50kg인 경우 정규화 후 둘 다 0과 1 사이의 값으로 표시됩니다. 0과 1 의 범위만 보유 할 수있는 상자를 만들었다고 가정하지만 정규화 수식을 사용하여 모든 것을 0과 1 사이의 값으로 변환했으므로 해당 상자를 사용하는 것이 좋습니다. 참고: 해당 상자는 플롯입니다. 다음 예제에서는 적절한 k 값을 선택하는 방법에 대한 실질적인 통찰력을 제공합니다. 이 자습서에서는 Iris 데이터 집합을 예측 모델링의 예인 분류에 사용합니다. 데이터 집합의 마지막 특성인 종은 이 예제에서 예측하려는 대상 변수 또는 변수가 됩니다. 예를 들어, 우리는 특정 수의 객체를 받았고 각 개체에는 5 개의 의자 10 개의 침대와 15 개의 테이블이 있으며 각 객체마다 길이, 너비 및 높이를 알고 있다고 가정 해 봅시다.

누군가가 우리에게 새로운 특성을 가진 새로운 객체를 제공하고 새 객체가 속하는 범주를 예측하도록 요청하는 경우, 즉 차원이 주어지고 의자, 침대 또는 테이블인지 예측하도록 요청하면 knn 알고리즘을 사용하여 결정해야합니다. 전자. 그럼에도 불구하고, 특히 기계 학습을 접하는 경우 정규화및 그 효과를 연구하는 것이 좋습니다. 예를 들어 먼저 사용자 고유의 정규화() 함수를 만들어 기능 정규화를 수행할 수 있습니다. 아래 표와 같이 남성과 여성의 특성을 설명할 수 있는 체중이라는 새로운 속성을 제시한다고 가정해 보겠습니다. 이제 2D 평면을 만들고 이전 객체의 새 개체의 거리를 계산하는 동일한 절차를 따르며 범주 중 하나에 가까울수록 자체 범주로 간주됩니다. 아래 예에서는 신장 169cm, 체중 68kg의 신입사원이 수컷보다 여성과 더 가깝다는 것을 알 수 있습니다. 따라서, 우리는 새로운 회원이 여성이라고 예측한다. 이것은 중대하다 – 당신은 범주형 변수와 예를 게시 할 수 있습니까? 이 기사에서는 흥미로운 예제와 모델 작성에 kNN 알고리즘을 적용하는 프로세스를 보여 준 사례 연구를 사용하여 kNN 알고리즘을 설명했습니다.

admin