Maschinelles Lernen mit Python Kochbuch, 2.

Kapitel 15. K-Nächste Nachbarn

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

15.0 Einleitung

Der KNN-Klassifikator (k-nearest neighbors) ist einer der einfachsten, aber am häufigsten verwendeten Klassifikatoren im überwachten maschinellen Lernen. KNN wird oft als fauler Lerner bezeichnet; er trainiert technisch gesehen kein Modell, um Vorhersagen zu treffen. Stattdessen wird vorausgesagt, dass eine Beobachtung derselben Klasse angehört wie der größte Anteil der k nächstgelegenen Beobachtungen.

Wenn zum Beispiel eine Beobachtung mit einer unbekannten Klasse von einer Beobachtung der Klasse 1 umgeben ist, dann wird die Beobachtung als Klasse 1 klassifiziert. In diesem Kapitel werden wir uns ansehen, wie man mit scikit-learn einen KNN-Klassifikator erstellt und verwendet.

15.1 Suche nach den nächsten Nachbarn einer Beobachtung

Problem

Du musst die k nächstgelegenen Beobachtungen (Nachbarn) einer Beobachtung von finden.

Lösung

Verwende scikit-learn's NearestNeighbors:

# Load libraries
from sklearn import datasets
from sklearn.neighbors import NearestNeighbors
from sklearn.preprocessing import StandardScaler

# Load data
iris = datasets.load_iris()
features = iris.data

# Create standardizer
standardizer = StandardScaler()

# Standardize features
features_standardized = standardizer.fit_transform(features)

# Two nearest neighbors
nearest_neighbors = NearestNeighbors(n_neighbors=2).fit(features_standardized ...