WikiDoS

Essa página está em modo somente de leitura. Você pode visualizar a fonte, mas não alterá-la. Informe-se com o administrador do Wiki, caso você ache que isso está incorreto.
====== 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]]