МЕТОД K БЛИЖАЙШИХ СОСЕДЕЙ PYTHON

Метод k ближайших соседей (KNN) - алгоритм машинного обучения, применяемый для классификации и регрессии.

Он основан на поиске k ближайших соседей для каждого объекта, после чего новый объект относится к тому классу, к которому относится большинство из ближайших соседей. K является гиперпараметром, его значение подбирается эмпирически.

Реализация KNN на Python может выглядеть следующим образом:

import numpy as npfrom sklearn import datasetsfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.model_selection import train_test_split# Загрузка датасетаiris = datasets.load_iris()X = iris.datay = iris.target# Разделение данных на обучающую и тестовую выборкиX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# Создание объекта KNeighborsClassifierknn = KNeighborsClassifier(n_neighbors=3)# Обучение моделиknn.fit(X_train, y_train)# Предсказание классов тестовой выборкиy_pred = knn.predict(X_test)# Оценка точности моделиaccuracy = np.mean(y_pred == y_test)print(f'Accuracy: {accuracy}')

В данном примере мы загружаем датасет Iris, разделяем его на обучающую и тестовую выборки, создаем объект KNeighborsClassifier с числом соседей равным 3 и обучаем модель на обучающей выборке. Затем мы предсказываем классы для тестовой выборки и оцениваем точность модели.