K-Nearest Neighbor
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

K-Nearest Neighbor

on

  • 1,173 views

Apresentação sobre o classificador K-Vizinhos Mais Próximos (K-Nearest Neighbor).

Apresentação sobre o classificador K-Vizinhos Mais Próximos (K-Nearest Neighbor).

Statistics

Views

Total Views
1,173
Views on SlideShare
1,173
Embed Views
0

Actions

Likes
0
Downloads
26
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

K-Nearest Neighbor Presentation Transcript

  • 1. Introdu¸˜o ca Algoritmo Pontos ImportantesUFAL - Universidade Federal de Alagoas UFAL - Instituto de Computa¸˜o ca K-Vizinhos Mais Pr´ximos o Jonathas Magalh˜es a jonathas@ic.ufal.br Magalh˜es, J.J. a IA – 2013 1
  • 2. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos mais Pr´ximos o Aprendizado baseado em instˆncias: a Aprendizado: armazenar todos as instˆncias de treinamento; a Classifica¸˜o: descobrir a qual classe uma nova instˆncia pertence. ca a T´cnica simples e intuitiva. e Magalh˜es, J.J. a IA – 2013 2
  • 3. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos Mais Pr´ximos – Exemplo o Table: Base de dados contendo informa¸˜es de alunos. co x1 : Tempo de utiliza¸˜o ca x2 : N´mero postagens u y : Passou na disciplina 2 4 N˜o a 3 6 N˜o a 4 8 N˜o a 4 4 N˜o a 5 7 N˜o a 6 5 N˜o a 6 6 Sim 6 5 Sim 7 7 Sim 8 5 Sim 8 6 Sim 10 10 Sim Magalh˜es, J.J. a IA – 2013 3
  • 4. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos Mais Pr´ximos oDados dos alunos dispostos graficamente (em azul, os alunos quepassaram, em vermelho, os alunos que n˜o passaram). a Magalh˜es, J.J. a IA – 2013 4
  • 5. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos Mais Pr´ximos oComo classificar um novo registro (em verde)? (postagens = 6 etempo = 7, R(6, 7)) Magalh˜es, J.J. a IA – 2013 5
  • 6. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos Mais Pr´ximos oPasso 1: Calcular a distˆncia do novo registro a cada um dos registros aexistentes. A A B B Dados dois pontos, A(x1 ...xn ) e B(x1 ...xn ); Distˆncia euclidiana quadrada: d(A, B) = n (xiA − xiB )2 . a i=1 x1 : utiliza¸˜o ca x2 : postagens Distˆncia para o (6, 7) a 2 4 (2 − 6)2 + (4 − 7)2 = 25 3 6 10 4 8 5 4 4 13 5 7 1 6 5 4 6 6 1 6 5 4 7 7 1 8 5 8 8 6 5 10 10 25 Magalh˜es, J.J. a IA – 2013 6
  • 7. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos Mais Pr´ximos oPasso 2: Identifica¸˜o dos k registros da base de referˆncia que ca eapresentaram menor distˆncia em rela¸˜o ao novo registro. (Para a cak = 3) x1 : utiliza¸˜o ca x2 : postagens Distˆncia para o (6, 7) a KNN 2 4 25 3 6 10 4 8 5 4 4 13 5 7 1 6 5 4 6 6 1 6 5 4 7 7 1 8 5 8 8 6 5 10 10 25 Magalh˜es, J.J. a IA – 2013 7
  • 8. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos Mais Pr´ximos o Magalh˜es, J.J. a IA – 2013 8
  • 9. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos Mais Pr´ximos oLogo, a nova instˆncia ´ classificada como sendo um aluno que a epassou/passar´ na disciplina. a Magalh˜es, J.J. a IA – 2013 9
  • 10. Introdu¸˜o ca Algoritmo Pontos ImportantesK-Vizinhos mais Pr´ximos o Normaliza¸˜o dos dados; ca Tratando empates; Qual valor para k utilizar? Fuzzy KNN. Magalh˜es, J.J. a IA – 2013 10
  • 11. Introdu¸˜o ca AlgoritmoPontos ImportantesPerguntas? Magalh˜es, J.J. a IA – 2013 11