Implementiere den K-Nearest Neighbors-Regressionsalgorithmus | Maschinelles Lernen

Einführung

In diesem Projekt lernst du, wie du den K-Nearest Neighbors (KNN)-Regressionsalgorithmus mit Python implementierst. KNN ist eine weit verbreitete Methode der maschinellen Lernmethode, die normalerweise für Klassifizierungsprobleme verwendet wird. Es kann jedoch auch auf Regressionsaufgaben angewendet werden, bei denen das Ziel ist, einen kontinuierlichen Zielwert vorherzusagen.

🎯 Aufgaben

In diesem Projekt wirst du lernen:

Wie du den KNN-Regressionsalgorithmus und dessen Arbeitsweise verstehst
Wie du den KNN-Regressionsalgorithmus in Python implementierst
Wie du die euklidischen Distanzen zwischen den Testdaten und den Trainingsdaten berechnest
Wie du die k nächsten Nachbarn identifizierst und ihre Zielwerte abrufst
Wie du den Mittelwert der Zielwerte der k nächsten Nachbarn berechnest, um die Ausgabe für die Testdaten vorherzusagen

🏆 Errungenschaften

Nach Abschluss dieses Projekts wirst du in der Lage sein:

Den KNN-Regressionsalgorithmus von Grund auf mit Python zu implementieren
Die euklidische Distanz als Distanzmaß im KNN-Algorithmus zu verwenden
Den KNN-Regressionsalgorithmus anwenden, um kontinuierliche Zielwerte vorherzusagen
Praktische Fähigkeiten bei der Implementierung von maschinellen Lernalgorithmen demonstrieren

Implementiere den KNN-Regressionsalgorithmus

In diesem Schritt lernst du, wie du den K-Nearest Neighbors (KNN)-Regressionsalgorithmus mit Python implementierst. Folge den Schritten unten, um diesen Schritt abzuschließen:

Öffne die Datei knn_regression.py in deinem bevorzugten Code-Editor.
Locate the knn(train_data, train_labels, test_data, k) function. This function will be the main implementation of the KNN regression algorithm.
Der Parameter train_data ist die Merkmalsdaten bekannter Proben, train_labels sind die Zielwerte bekannter Proben, test_data sind die Merkmalsdaten einer einzelnen unbekannten Probe und k repräsentiert die Anzahl der nächsten Nachbarn, die im K-Nearest-Neighbors-Verfahren verwendet werden.
Inside the knn() function, start by calculating the Euclidean distances between the test_data and all the training samples. You can use the numpy.sqrt() and numpy.sum() functions to calculate the Euclidean distances.

distances = np.sqrt(np.sum((train_data - test_data) ** 2, axis=1))

Next, get the indices of the k nearest neighbors by sorting the distances and taking the first k indices.

nearest_indices = np.argsort(distances)[:k]

Retrieve the labels of the k nearest neighbors using the nearest_indices.

nearest_labels = train_labels[nearest_indices]

Calculate the mean of the k nearest neighbor labels to get the predicted target value for the single unknown sample test_data.

predicted_label = np.mean(nearest_labels)

Runde das vorhergesagte Label auf maximal 2 Nachkommastellen mit der round()-Funktion.

predicted_label = round(predicted_label, 2)

Finally, return the predicted target value for the single unknown sample test_data.

return predicted_label

Save the knn_regression.py file.

✨ Lösung prüfen und üben

Teste den KNN-Regressionsalgorithmus

In diesem Schritt wirst du den Implementierungsvorschlag des KNN-Regressionsalgorithmus testen, indem du das bereitgestellte Beispiel ausführst.

Öffne die Datei knn_regression.py in deinem Code-Editor.

Füge die folgenden Testfälle am Ende der Datei hinzu:

if __name__ == "__main__":
    train_data = np.array(
        [[1, 1], [2, 2], [3, 3], [4, 4], [5, 5], [6, 6], [7, 7], [8, 8], [9, 9], [10, 10]]
    )
    train_labels = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
    test_data = np.array([[1.2, 1.3]])

    result = knn(train_data, train_labels, test_data, k=3)
    print(result)

Führe den folgenden Befehl aus, um das Beispiel auszuführen: