Реализация алгоритма регрессии k-ближайших соседей

Введение

В этом проекте вы научитесь реализовывать алгоритм регрессии k-ближайших соседей (KNN) с использованием Python. KNN - это широко используемый метод машинного обучения, обычно применяемый для задач классификации. Однако он также может быть применен к задачам регрессии, где целью является предсказание непрерывного целевого значения.

🎯 Задачи

В этом проекте вы научитесь:

• Как понять алгоритм регрессии KNN и его принцип работы
• Как реализовать алгоритм регрессии KNN на Python
• Как вычислять евклидовы расстояния между тестовыми данными и данными обучения
• Как определить k ближайших соседей и получить их целевые значения
• Как вычислить среднее значение целевых значений k ближайших соседей для предсказания выходных данных для тестовых данных

🏆 Достижения

После завершения этого проекта вы сможете:

• Реализовать алгоритм регрессии KNN с нуля с использованием Python
• Использовать евклидово расстояние в качестве меры расстояния в алгоритме KNN
• Применить алгоритм регрессии KNN для предсказания непрерывных целевых значений
• Показать практические навыки в реализации алгоритмов машинного обучения

Skills Graph

Реализация алгоритма регрессии KNN

В этом шаге вы научитесь реализовывать алгоритм регрессии k-ближайших соседей (KNN) с использованием Python. Следуйте шагам ниже, чтобы завершить этот шаг:

1. Откройте файл knn_regression.py в предпочитаемом редакторе кода.
2. Найдите функцию knn(train_data, train_labels, test_data, k). Эта функция будет основной реализацией алгоритма регрессии KNN.
3. Параметр train_data - это признаковые данные известных образцов, train_labels - это целевые значения известных образцов, test_data - это признаковые данные одного неизвестного образца, а k представляет количество ближайших соседей, используемых в алгоритме k-ближайших соседей.
4. Внутри функции knn() начните с вычисления евклидовых расстояний между test_data и всеми тренировочными примерами. Вы можете использовать функции numpy.sqrt() и numpy.sum() для вычисления евклидовых расстояний.

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

5. Затем получите индексы k ближайших соседей, отсортировав расстояния и взяв первые k индексов.

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

6. Получите метки k ближайших соседей с использованием nearest_indices.

nearest_labels = train_labels[nearest_indices]

7. Вычислите среднее значение меток k ближайших соседей, чтобы получить предсказанное целевое значение для одного неизвестного образца test_data.

predicted_label = np.mean(nearest_labels)

8. Округлите предсказанную метку до максимум двух десятичных знаков с использованием функции round().

predicted_label = round(predicted_label, 2)

9. Наконец, верните предсказанное целевое значение для одного неизвестного образца test_data.

return predicted_label

10. Сохраните файл knn_regression.py.

Тестирование алгоритма регрессии KNN

В этом шаге вы будете тестировать реализацию алгоритма регрессии KNN, запустив предоставленный пример.

Откройте файл knn_regression.py в редакторе кода.

Добавьте следующие тестовые случаи в конец файла:

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)

Запустите следующую команду, чтобы выполнить пример:

python3 knn_regression.py

Выходные данные должны быть предсказанным целевым значением для одного неизвестного образца, округленным до максимум двух десятичных знаков.

2.0

Поздравляем! Вы успешно реализовали алгоритм регрессии KNN и протестировали его с помощью предоставленного примера.

Резюме

Поздравляем! Вы завершили этот проект. Вы можете практиковаться в более многих лабораторных работах в LabEx, чтобы улучшить свои навыки.