3 Решение задачи классификации. Алгоритм классификации k ближайших соседей Задача на практику

• Название: Алгоритм классификации k ближайших соседей Задача на практику
• Дата: 30.06.2022
• Размер: 374.33 Kb.
• Имя файла: 3 Решение задачи классификации.docx
• Тип: Задача; #621593

Алгоритм классификации k ближайших соседей

Задача на практику

Продолжая изучать материалы, привезенные ассистентом из экспедиции в Африку, профессор Буковски обнаружил результаты похожих исследований японского ученого Какая Икота. Профессор Икота, изучая обезьян, выделил 4 класса: Лемуры, Шимпанзе, Гориллы, Орангутанги. Каждый вид характеризуется определенным средним значением роста и веса. Экспериментальные данные профессора Икота представлены в виде таблицы:

№	Рост	Вес	Вид	№	Рост	Вес	Вид
1	33	21	Лемур	9	185	155	Горилла
2	41	13	Лемур	10	193	129	Горилла
3	18	22	Лемур	11	164	135	Горилла
4	38	34	Лемур	12	205	131	Горилла
5	62	118	Шимпанзе	13	145	55	Орангутан
6	59	137	Шимпанзе	14	168	35	Орангутан
7	95	131	Шимпанзе	15	135	47	Орангутан
8	83	110	Шимпанзе	16	138	66	Орангутан

Профессору Буковски требуется определить, к какому виду относятся обезьяны, изученные его ассистентом во время экспедиции. Для решения этой задачи Буковски собирается использовать алгоритм k ближайших соседей.

Алгоритм k ближайших соседей

Пусть у нас имеется матрица объектов X. Каждая строка таблицы описывает отдельный объект. Каждый столбец таблицы описывает определенный признак объекта (рост, вес и т.п.). Кроме того, в матрице есть еще один столбец, описывающий класс, к которому принадлежит объект (см. рисунок ниже).



Пусть имеется объект obj, обладающий набором признаков, который необходимо отнести к заданному классу. Например, в нашем случае, obj будет представлять собой отдельную особь с признаками «рост» и «вес».

Чтобы определить, к какому классу принадлежит объект, нужно найти k ближайших к нему соседей (точек) и посмотреть, какой класс у этих соседей встречается чаще всего. Этому классу и будет принадлежать наш классифицируемый объект.

1. 
   Измеряем расстояние от объекта obj до каждого объекта в матрице X.
   
2. 
   Сортируем полученные значения в порядке увеличения расстояния (в начале будут объекты наиболее близкие к obj, в конце – наиболее удаленные).
   
3. 
   Берем первые k объектов из отсортированного списка, определяем, какой класс встречается там чаще всего. Именно этому классу и принадлежит наш объект obj.
   

Порядок решения задачи

Открыть для редактирования файл run.py. Заполнить матрицу X экспериментальными данными, собранными профессором Икота. Следует обратить внимание, что последним столбцом в этой матрице будет столбец с номером класса (от 1 до 4), к которому принадлежит данная особь.

Пользуясь функцией input, попросить пользователя ввести рост и вес особи, которую необходимо классифицировать. Результаты пользовательского ввода сохранить в переменных height и weight соответственно.

Открыть для редактирования файл kNN.py. Необходимо полностью реализовать функцию k_nearest, основываясь на комментариях TODO, приведенных в файле. Перед реализацией ознакомиться с алгоритмом классификации k ближайших соседей. В комментариях приведены функции, которые могут потребоваться для решения задачи. Следует использовать команду help(‘<функция>’) для получения справки по функции и использовать командное окно для экспериментов.

Взять результаты, собранные ассистентом профессора Буковски (см. предыдущую практику), и выполнить классификацию не менее 5 особей с помощью реализованного алгоритма классификации. Убедиться в достоверности результатов. Продемонстрировать.