1.ミキサーk-近隣アルゴリズム

Google corapを利用して、「web」ブラウザでPythonプログラムを無料でテストして保存することができます.
https://colab.research.google.com/
実習k−最近隣接アルゴリズムを用いて2つの分類を実現する機械学習モデル
(マシンラーニングの作成、魚名の自動提示)
生鮮データソース:https://www.kaggle.com/aungpyaeap/fish-market

単純な魚の長さが30 cmを超えると鯛!

if fish_length >=30;
print("도미")

しかし、30センチ以上の魚は鯛ばかりではない.クジラとかサメとか
そのため、機械学習は自分でドミノの骨牌の基準を制定して分類する.
scatter()関数を使用するには、マットアウトスリットパッケージをインポート(インポート)する
入力

ドミノ骨牌値

bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 
                31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 
                35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0]
bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0, 
                500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0, 
                700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0]
                
import matplotlib.pyplot as plt #matplotlib의 pyplot함수를 줄여서 plt로 사용

plt.scatter(bream_length, bream_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

m以上の値と氷魚の値

を入力します.

smelt_length = [9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
smelt_weight = [6.7, 7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]

plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

2つのリストを1つに追加

length = bream_length + smelt_length
weight = bream_weight + smelt_weight
print("length:", length)
print("weight:", weight)

length: [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
weight: [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0, 500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0, 700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0, 6.7, 7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]
「sikit-lean」(sckit-lean)を使用して、各プロパティのリストを下(2 Dリスト)に垂直にします.

HOW?
zip()関数とリストネスト構文を使用します.
zip:リストされた各リストから要素を取り出して返します.
for:zip関数を使用してlengthとweightリストから要素を1つずつ取り出し、lとwに割り当てる
これにより、[l,w]が要素からなるリストが作成されます.

fish_data = [[l, w] for l, w in zip(length, weight)]
print(fish_data)

[[25.4, 242.0], [26.3, 290.0], [26.5, 340.0], [29.0, 363.0], [29.0, 430.0], [29.7, 450.0], [29.7, 500.0], [30.0, 390.0], [30.0, 450.0], [30.7, 500.0], [31.0, 475.0], [31.0, 500.0], [31.5, 500.0], [32.0, 340.0], [32.0, 600.0], [32.0, 600.0], [33.0, 700.0], [33.0, 700.0], [33.5, 610.0], [33.5, 650.0], [34.0, 575.0], [34.0, 685.0], [34.5, 620.0], [35.0, 680.0], [35.0, 700.0], [35.0, 725.0], [35.0, 720.0], [36.0, 714.0], [36.0, 850.0], [37.0, 1000.0], [38.5, 920.0], [38.5, 955.0], [39.5, 925.0], [41.0, 975.0], [41.0, 950.0], [9.8, 6.7], [10.5, 7.5], [10.6, 7.0], [11.0, 9.7], [11.2, 9.8], [11.3, 8.7], [11.8, 10.0], [11.8, 9.9], [12.0, 9.8], [12.2, 12.2], [12.4, 13.4], [13.0, 12.2], [14.3, 19.7], [15.0, 19.9]]
正しいデータを作成します(マルチメートル=1、ビン魚=0)
WHY?
少なくともどの魚が鯛と魚なのかを教えるために、通常2営業日は1、0にしか区別されません.

fish_target = [1]*35 + [0]*14
print(fish_target)

[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
K近隣アルゴリズムの使用
KNeighborsClassFiferインポートfrom sklearn.neighbors import KNeighborsClassifierインポートしたKNeighborsClassifierクラスをオブジェクトとして作成kn = KNeighborsClassifier()標準データと正しいデータの理解
fit()メソッドを使用して学習するkn.fit(fish_data, fish_target)score()メソッドを使用して、学習が順調かどうかを検証します.
1:すべてのデータが当たった
0.5:半分しか合っていません
0:どうでもいい

kn.score(fish_data, fish_target)
1.0

1.0、精度100%
じつよそく
predicate()メソッドは、新しいデータの正解を予測する

kn.predict([[30,600]]
결과값 : array([1])

1は多メートルと定義され、緑の三角形は多メートルです!鳥肌
K近傍アルゴリズムは,新しいデータを予測する際に,最近の直線距離にどのようなデータがあるかを調べるだけである.
短所:データ量が多くてメモリが必要で、時間が長くて、大量のデータに適している

fit X,y属性にはすべてのデータが含まれている

print(kn._fit_X)
print(kn._y)

결과값 : 
[[  25.4  242. ]
 [  26.3  290. ]
 [  26.5  340. ]
 [  29.   363. ]
 [  29.   430. ]
 [  29.7  450. ]
 [  29.7  500. ]
 [  30.   390. ]
 [  30.   450. ]
 [  30.7  500. ]
 [  31.   475. ]
 [  31.   500. ]
 [  31.5  500. ]
 [  32.   340. ]
 [  32.   600. ]
 [  32.   600. ]
 [  33.   700. ]
 [  33.   700. ]
 [  33.5  610. ]
 [  33.5  650. ]
 [  34.   575. ]
 [  34.   685. ]
 [  34.5  620. ]
 [  35.   680. ]
 [  35.   700. ]
 [  35.   725. ]
 [  35.   720. ]
 [  36.   714. ]
 [  36.   850. ]
 [  37.  1000. ]
 [  38.5  920. ]
 [  38.5  955. ]
 [  39.5  925. ]
 [  41.   975. ]
 [  41.   950. ]
 [   9.8    6.7]
 [  10.5    7.5]
 [  10.6    7. ]
 [  11.     9.7]
 [  11.2    9.8]
 [  11.3    8.7]
 [  11.8   10. ]
 [  11.8    9.9]
 [  12.     9.8]
 [  12.2   12.2]
 [  12.4   13.4]
 [  13.    12.2]
 [  14.3   19.7]
 [  15.    19.9]]
[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
 0 0 0 0 0 0 0 0 0 0 0 0]

つまり.

実はKNNは訓練していません

fit()メソッドは、伝達されたすべてのデータを保存します.新しいデータが表示されたら、最近のデータを参照して、多米か氷魚かを区別してください.
では、最近のいくつかのデータを参考にしてみましょうか.
既定値は5

49個(全部)を参考にしたら?不正確

kn49 = KNeighborsClassifier(n_neighbors=49)

kn49.fit(fish_data, fish_target)
kn49.score(fish_data, fish_target)

결과값 : 0.7142857142857143 << 35/49확률임

では、デフォルト値がどれくらいの場合、1以下に下がるのでしょうか.
ふごうかく
kn = KNeighborsClassifier()
kn.fit(fish_data, fish_target)

for n in range(5,50):
   kn.n_neighbors = n
   score = kn.score(fish_data, fish_target)
   if score < 1:
     print(n,score)
     break
     
 결과 : 18 0.9795918367346939

つまり、18から1以下に下がり、17の精度は1!