Artificial Intelligence - هوش مصنوعی - الگوريتم k نزديکترين همسايه knn

Artificial Intelligence - هوش مصنوعی (http://artificial.ir/intelligence/)

- - الگوريتم k نزديکترين همسايه knn (http://artificial.ir/intelligence/thread8256.html)

الگوريتم k نزديکترين همسايه knn

الگوريتم K نزديکترين همسايه KNN

نزديکترين همسايه يک الگوريتم تعليم با سرپرستي است. در حالت کلي از اين الگوريتم به دو منظور استفاده ميشود: براي تخمين تابع چگالي توزيع دادههاي تعليم و براي طبقه بندي دادههاي تست بر اساس الگوهاي تعليم.

تخمين چگالي توزيع دادهها با استفاده از الگوريتم Kn نزديکترين همسايه
براي تخمين p(x) از روي n نمونهي تعليم توسط الگوريتم k نزديکترين همسايه ميتوانيم يک سلول به مرکزيت x ايجاد کرده و اجازه دهيم اين شعاع اين سلول تا حدي گسترش پيدا کند که kn نمونهي تعليم را در بر گيرد. اين نمونه ها kn نزديکترين همسايه هاي x هستند.
در حالت کلي k را به صورت kn در نظر ميگيريم که kn تابعي تعريف شده از n است.
منبع

من این ترم شناسایی آماری الگو دارم
کی می تونه به من کمک کنه
؟

سلام من باید اکدهای الگوریتم و ساختار و پیاده سازسشو به استاد تحویل بدم... خواهش میکنم کمک کنید

سلام منم کدهاشو می خوام.کسی داره بهم بده؟

سلام به همه دوستان
الگوریتم KNN:

فرض: مجموعه داده های ورودی: X= x1, x2,…,xn
کلاس مربوط به نمونه های ورودی: C= c1,c2,…,cn
--------
- برای تعیین کلاس بردار نامعلوم x، فاصله (مانند فاصله اقلیدسی) x، از تک تک نمونه های آموزشی بدون در نظر گرفتن کلاس آنها محاسبه میشود.

- K داده که نزدیکترین فاصله را دارند به عنوان K-نزدیکترین همسایه انتخاب میشوند (بهتر است k، فرد در نظر گرفته شود).

- از این K نمونه، تعداد اعضای هرکلاس را مشخص کرده و آن را Ki مینامیم (i = 1,…,C).

- کلاس بردار نامعلوم x، کلاسی است مه بیشترین Ki را داشته باشد.

سلام من کد موازی الگوریتم knnرا میخواستم کسی دارد؟اینکه چه جوری با ترد موازی میشه؟

با سلام من نیاز به کد طبقه بند knn دارم کسی می تونه اونو در اختیارم قرار بده؟ ممنون

نقل قول:

نوشته اصلي بوسيله Reyhane (پست 15695)

الگوريتم K نزديکترين همسايه KNN

با سلام
کد های برنامه الگوریتم knn رو دارید؟

تو خود matlab پیاده سازی شده.
این هم کد خودمه که برای سایزهای متوسط سریعتر کار میکنه

كد:

function pred = knnClassify (train_data, train_label, test_data, k)



n1 = size(train_data,1);

n2 = size(test_data,1);



XX = sum(test_data.^2,2);

YY = sum(train_data.^2,2);

XY = test_data*train_data';



distances = XX*ones(1,n1) + ones(n2,1)*YY' - 2*XY;



[~,idx] = sort(distances, 2);

idx = idx(:,1:k);



pred = mode(train_label(idx),2);