Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

--- ia:knearest [2026/07/22 12:21] – removida - edição externa (Data desconhecida) 127.0.0.1
+++ ia:knearest [2026/07/22 12:21] (atual) – ↷ Página movida de knearest para ia:knearest jdos
@@ Linha 1: / Linha 1: @@
+====== K-Nearest Neighbour ======
+kNN é um dos algoritmos de **classificação** mais simples disponíveis para aprendizado supervisionado.
+A ideia é procurar as correspondências mais próximas dos dados de teste no espaço de recursos.
+O KNN tenta classificar cada amostra de um conjunto de dados avaliando sua distância em relação aos vizinhos mais próximos.
+Se os vizinhos mais próximos forem majoritariamente de uma classe, a amostra em questão será classificada nesta categoria.
+Como o próprio nome já diz, "k-vizinhos mais próximos", podemos determinar o número ''k''.
+Quando o ''k'' é pequeno a classificação fica mais sensível a regiões bem próximas podendo ocorrer o overfitting.
+Por outro lado com ''k'' grande, a classificação fica menos sujeita a ruídos podendo ser considerada mais robusta.
+Porém se ''k'' for grande demais pode ser que haja o problema de underfitting.
+===== Exemplos =====
+==== k=3 ====
+{{:nova-amostra-para-classificar.jpg?nolink&200|}}{{:classificando-a-amostra.png?200|}} {{:classificacao-escolhida.jpg?200|}}
+==== k=3 ====
+\\
+{{:proxima-amostra.jpg?nolink&200|}}
+{{:k3.jpg?200|}}{{:classe-final-com-k3.jpg?200|}}
+\\
+==== k=5 ====
+{{:proxima-amostra.jpg?nolink&200 |}}{{:knn-com-k5-300x292.jpg?nolink&200|}}{{:classe-final-com-k5-300x292.jpg?nolink&200|}}
+==== Código ====
+<file python knn.py>
+import cv2 as cv
+import numpy as np
+import matplotlib.pyplot as plt
+# Feature set containing (x,y) values of 25 known/training data
+trainData = np.random.randint(0,100,(25,2)).astype(np.float32)
+# Label each one either Red or Blue with numbers 0 and 1
+responses = np.random.randint(0,2,(25,1)).astype(np.float32)
+# Take Red neighbours and plot them
+red = trainData[responses.ravel()==0]
+plt.scatter(red[:,0],red[:,1],80,'r','^')
+# Take Blue neighbours and plot them
+blue = trainData[responses.ravel()==1]
+plt.scatter(blue[:,0],blue[:,1],80,'b','s')
+plt.show()
+newcomer = np.random.randint(0,100,(1,2)).astype(np.float32)
+plt.scatter(newcomer[:,0],newcomer[:,1],80,'g','o')
+knn = cv.ml.KNearest_create()
+knn.train(trainData, cv.ml.ROW_SAMPLE, responses)
+ret, results, neighbours ,dist = knn.findNearest(newcomer, 3)
+print( "result: {}\n".format(results) )
+print( "neighbours: {}\n".format(neighbours) )
+print( "distance: {}\n".format(dist) )
+plt.show()
+</file>
+Resultado:
+{{ :espaco.png?nolink&500 |}}
+\\
+<code>
+result: [[1.]]
+neighbours: [[0. 1. 1.]]
+distance: [[185. 290. 349.]]
+</code>
+===== Referências =====
+[[https://didatica.tech/o-que-e-e-como-funciona-o-algoritmo-knn/|Algoritmo Knn]]