Makine Öğrenimi Algoritmaları nedir?

Makine Öğrenimi Algoritmaları ile ilgili makalemize hoş geldiniz. Muhtemelen teknolojinin en belirleyici döneminde yaşıyoruz. Bilgi işlemin büyük ana bilgisayarlardan PC’lere, sürücüsüz arabalara ve robotlara geçtiği dönem. Ama onu tanımlayan şey ne olduğu değil, buraya gelene kadar olan şeydir. Bu dönemi heyecanlandıran, kaynakların ve tekniklerin demokratikleşmesi. Makine Öğrenimi Algoritmaları sayesinde bir zamanlar günler süren veri hesaplaması bugün yalnızca dakikalar alıyor .

Bu, bir Veri Bilimcisinin eve yılda 124.000 $ ‘dan fazla gelmesinin ve Veri Bilimi Sertifikalarına olan talebi artırmasının nedenidir . 

Size bu blogun anlamanıza ne yardımcı olacağının bir özetini vereyim.

Makine Öğrenimi Algoritmaları: Makine Öğrenimi nedir?

Makine Öğrenimi  , makinenin açık bir şekilde programlanmadan örneklerden ve deneyimlerden öğrenmesini sağlayan bir kavramdır.

Anlamanızı kolaylaştırmak için size bir benzetme vereyim.

Diyelim ki bir gün elma almaya gittin. Satıcı, meyveyi elle seçebileceğiniz, tartabileceğiniz ve sabit orana (Kg başına) göre ödeyebileceğiniz bir el arabası doluydu.

Görev: En iyi elmaları nasıl seçeceksiniz?

Aşağıda verilenler, bir insanın elma alışverişi deneyiminden elde ettiği bir dizi öğrenmedir, daha ayrıntılı bir şekilde incelemek için onu inceleyebilirsiniz. Bir kez gözden geçirin, bunu makine öğrenimiyle çok kolay bir şekilde ilişkilendireceksiniz.

Öğrenme 1: Parlak kırmızı elmalar soluk olanlardan daha tatlıdır

Öğrenme 2: Daha küçük ve parlak kırmızı elmalar zamanın sadece yarısında tatlıdır

Öğrenme 3: Küçük, soluk olanlar hiç tatlı değildir

Öğrenme 4: Daha gevrek elmalar daha suludur

Öğrenme 5: Yeşil elmalar kırmızı olanlardan daha lezzetlidir

Öğrenme 6: Artık elmaya ihtiyacınız yok

Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenimi algoritmaları nedir? Makine öğrenimi algoritmaları ile ilgili yazılmış olan bir makale karşınızda

Ya bunun için bir kod yazmanız gerekirse?

Şimdi, elmalarınızı seçmek için bir bilgisayar programı yazmanızın istendiğini hayal edin. Aşağıdaki kuralları / algoritmayı yazabilirsiniz:

if  (parlak kırmızı)  ve  if (boyut büyükse): Elma tatlıdır.
if  (gevrek): Elma suludur

Elmaları seçmek için bu kuralları kullanırsınız.

Ancak deneylerinizden her yeni gözlem yaptığınızda (bunun yerine portakalları seçmeniz gerekse), kural listesini manuel olarak değiştirmeniz gerekir.

Meyvenin kalitesini etkileyen tüm faktörlerin ayrıntılarını anlamalısınız. Sorun yeterince karmaşık hale gelirse, mümkün olan tüm meyve türlerini kapsayan doğru kuralları elle belirlemeniz zorlaşabilir. Bu çok fazla araştırma ve çaba gerektirecek ve herkesin bu kadar vakti yok.

Makine Öğrenimi Algoritmalarının devreye girdiği yer burasıdır.

Dolayısıyla, kodu yazmak yerine, genel algoritmaya veri beslersiniz ve algoritma / makine verilen verilere dayanarak mantığı oluşturur.

Makine Öğrenimi Algoritmaları: Makine Öğrenimi Algoritması nedir?

Makine Öğrenimi algoritması, normal algoritmanın bir evrimidir. Sağladığınız verilerden otomatik olarak öğrenmelerine izin vererek programlarınızı “daha akıllı” hale getirir. Algoritma esas olarak şunlara ayrılmıştır:

  • Eğitim Aşaması
  • Test aşaması

Öyleyse, biraz önce verdiğim örneğe dayanarak, bu aşamalardan biraz bahsedelim.

Eğitim Aşaması

Piyasadan rastgele seçilmiş bir elma örneği alırsınız ( eğitim verileri ), her bir elmanın renk, boyut, şekil, ülkenin hangi bölümünde yetiştirildiği, hangi satıcı tarafından satıldığı vb. Gibi tüm fiziksel özelliklerinin bir tablosunu yaparsınız ( özellikler ), o elmanın tatlılığı, sululuğu, olgunluğu ( çıktı değişkenleri ) ile birlikte. Bu verileri makine öğrenimi algoritmasına ( sınıflandırma / regresyon ) beslersiniz ve ortalama bir elmanın fiziksel özellikleri ile kalitesi arasındaki korelasyon modelini öğrenir. Yapay Zeka Nedir ile ilgili makaleye bu linke tıklayarak ulaşabilirsiniz.

Test Aşaması

Bir dahaki sefere alışverişe gittiğinizde, satın aldığınız elmaların özelliklerini ( test verileri ) ölçecek ve Makine Öğrenimi algoritmasına besleyeceksiniz. Elmaların tatlı, olgun ve / veya sulu olup olmadığını tahmin etmek için daha önce hesaplanan modeli kullanacaktır. Algoritma, daha önce manuel olarak yazdığınıza benzer şekilde kuralları dahili olarak kullanabilir (örneğin, bir  karar ağacı ). Son olarak, artık en iyi elmaları nasıl seçeceğiniz konusunda endişelenmeden büyük bir güvenle elma satın alabilirsiniz.

Sonuç 

Biliyor musun! Algoritmanızın zaman içinde gelişmesini sağlayabilirsiniz ( pekiştirmeli öğrenme ), böylece giderek daha fazla eğitim veri kümesi üzerinde eğitildikçe doğruluğunu artıracaktır. Yanlış bir tahmin yapması durumunda kendi kuralını güncelleyecektir.

Bunun en iyi yanı, farklı modelleri eğitmek için aynı algoritmayı kullanabilmenizdir. Mango, üzüm, muz veya istediğiniz meyvenin kalitesini tahmin etmek için birer tane oluşturabilirsiniz

Bu Makine Öğrenimi Algoritmaları Eğitimi, size makine öğreniminin ne olduğunu ve bir sorunu çözmek için makine öğrenimini kullanmanın çeşitli yollarını öğretecek!

Makine Öğrenimi Algoritmasını alt bölümlere ayıralım ve her birinin ne olduğunu, nasıl çalıştığını ve her birinin gerçek hayatta nasıl kullanıldığını görelim.

Makine Öğrenimi Algoritmaları: Makine Öğrenimi Algoritmaları türleri nelerdir?

Dolayısıyla, Makine Öğrenimi Algoritmaları aşağıdaki üç türe göre kategorize edilebilir.

Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenimi algoritmaları nedir? Makine öğrenimi algoritmaları ile ilgili yazılmış olan bir makale karşınızda

Makine Öğrenimi Algoritmaları: Denetimli Öğrenme Nedir?

Bu kategori denetimli öğrenme olarak adlandırılır çünkü eğitim veri setinden bir algoritma öğrenme süreci , öğrencilerine öğreten bir öğretmen olarak düşünülebilir  . Algoritma, eğitim verilerine dayanarak sonucu sürekli olarak tahmin eder ve öğretmen tarafından sürekli olarak düzeltilir. Algoritma kabul edilebilir bir performans seviyesine ulaşana kadar öğrenme devam eder.

Size bunu basit terimlerle yeniden ifade edeyim:

Denetimli makine öğrenimi algoritmasında, eğitim veri kümesinin her örneği, girdi özniteliklerinden ve beklenen çıktıdan oluşur. Eğitim veri kümesi, bir veritabanı satırının değerleri, bir görüntünün pikselleri ve hatta bir ses frekansı histogramının değerleri gibi her türlü veriyi alabilir.

Örnek: In  Biyometrik Seyirci  size biyometrik kimlik girişlerine sahip makineyi eğitebilir – bu makine gelecekteki girişini doğrulamak eğitimli ve kolayca belirleyebilir kez vb başparmak, iris veya kulak lobu olabilir.

Makine Öğrenimi Algoritmaları: Denetimsiz Öğrenme Nedir? 

Bu makine öğrenimi kategorisi denetimsiz olarak bilinir çünkü denetimli öğrenmenin aksine öğretmen yoktur. Verilerdeki ilginç yapıyı keşfetmek ve geri döndürmek için algoritmalar kendi başlarına bırakılır.

Denetimsiz öğrenmenin amacı, veriler hakkında daha fazla bilgi edinmek için verilerdeki temel yapıyı veya dağılımı modellemektir. Google bu alanla ilgili çalışmalar yapmaktadır.

Bunu sizin için basit terimlerle yeniden ifade edeyim:

Denetimsiz öğrenme yaklaşımında, bir eğitim veri kümesinin örneğinin kendileriyle ilişkili beklenen bir çıktısı yoktur. Denetimsiz öğrenme algoritmalarını kullanarak, giriş verilerinin tipik özelliklerine dayalı modelleri tespit edebilirsiniz. Kümeleme, denetimsiz öğrenme yaklaşımını kullanan bir makine öğrenimi görevinin bir örneği olarak düşünülebilir. Makine daha sonra benzer veri örneklerini gruplandırır ve veriler içindeki farklı kümeleri tanımlar.

Örnek: Dolandırıcılık Tespiti muhtemelen Denetimsiz Öğrenmenin en popüler kullanım durumudur. Dolandırıcılık iddialarına ilişkin geçmiş tarihsel verileri kullanarak, dolandırıcılık modellerini gösteren kümelere olan yakınlığına dayalı olarak yeni iddiaları izole etmek mümkündür.

Makine Öğrenimi Algoritmaları: Pekiştirmeli Öğrenme Nedir?

Pekiştirmeli öğrenme, bir hit ve deneme öğrenme yöntemi olarak düşünülebilir. Makine, gerçekleştirdiği her işlem için bir Ödül veya Ceza puanı alır. Seçenek doğruysa, makine ödül puanı kazanır veya yanlış bir yanıt durumunda ceza puanı alır.

Takviye öğrenme algoritması, tamamen çevre ve öğrenme aracı arasındaki etkileşimle ilgilidir. Öğrenme aracısı keşif ve istismara dayanır.

Keşif , öğrenen temsilcinin deneme yanılma yoluyla hareket etmesi ve Sömürü , çevreden edinilen bilgiye dayalı bir eylem gerçekleştirmesidir. Çevre, her doğru eylem için ajanı ödüllendirir, bu da pekiştirme sinyali. Temsilci, elde edilen daha fazla ödülü toplamak amacıyla bir sonraki eylemi seçmek veya gerçekleştirmek için çevre bilgisini geliştirir. Yapay Zeka ve Robotik ile ilgili makaleye bu linke tıklayarak ulaşabilirsiniz.

Pavlov’un takviye eğitimi kullanarak köpeğini nasıl eğittiğini görelim mi?

Pavlov, köpeğinin eğitimini üç aşamaya ayırdı.

Aşama 1: İlk bölümde Pavlov köpeğe et verdi ve ete karşılık olarak köpek salya akıtmaya başladı.

Aşama 2: Sonraki aşamada zil ile bir ses çıkardı, ancak bu sefer köpekler hiçbir şeye yanıt vermedi.

Aşama 3: Üçüncü aşamada, zili kullanarak köpeğini eğitmeye ve ardından ona yiyecek vermeye çalıştı. Yiyeceği görünce köpek salya akmaya başladı.

Sonunda, köpekler zili duyduktan hemen sonra salya akıtmaya başladılar, çünkü köpek takviye edildiğinden yiyecek verilmemiş olsa bile , usta zili çaldığında, yiyeceği alacaktır. Pekiştirmeli Öğrenme, uyaran veya geri bildirim yoluyla sürekli bir süreçtir.

Makine Öğrenimi Algoritmaları: Makine Öğrenimi Algoritmalarının Listesi 

İşte en sık kullanılan 5 makine öğrenimi algoritmasının listesi.

  1. Doğrusal Regresyon
  2. Lojistik regresyon
  3. Karar ağacı
  4. Naif bayanlar
  5. kNN

1. Doğrusal Regresyon

Sürekli değişkenlere göre gerçek değerleri (evlerin maliyeti, arama sayısı, toplam satışlar vb.) Tahmin etmek için kullanılır. Burada bağımsız ve bağımlı değişkenler arasında en iyi satırı uydurarak bir ilişki kuruyoruz. Bu en uygun çizgi, regresyon çizgisi olarak bilinir ve doğrusal bir denklem Y = aX + b ile temsil edilir .

Doğrusal gerilemeyi anlamanın en iyi yolu, bu çocukluk deneyimini yeniden yaşamaktır. Diyelim ki, beşinci sınıftaki bir çocuktan, ağırlıklarını sormadan, sınıfındaki insanları ağırlık sırasını artırarak düzenlemesini istiyorsunuz! Sence çocuk ne yapacak? Muhtemelen insanların yüksekliğine ve yapılarına bakar (görsel olarak analiz eder) ve bu görünür parametrelerin bir kombinasyonunu kullanarak onları düzenler. Bu, gerçek hayatta doğrusal bir gerilemedir! Çocuk aslında boy ve yapının ağırlık ile yukarıdaki denkleme benzeyen bir ilişki ile ilişkilendirileceğini anlamıştır.

Bu denklemde:

  • Y – Bağımlı Değişken
  • a – Eğim
  • X – Bağımsız değişken
  • b – Kesişme
Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenimi algoritmaları nedir? Makine öğrenimi algoritmaları ile ilgili yazılmış olan bir makale karşınızda. Makine öğrenmesi algoritmaları veya Makine öğrenmesi algoritması

Bu katsayılar a ve b , veri noktaları ve regresyon çizgisi arasındaki mesafenin ‘karesel farklarının toplamını’ en aza indirmeye dayalı olarak türetilir.

Verilen arsaya bakın. Burada, doğrusal denklem y = 0.2811x + 13.9 olan en iyi uyumu belirledik  . Şimdi bu denklemi kullanarak, bir kişinin boyunu bilerek ağırlığı bulabiliriz. Derin Öğrenme Nedir ile ilgili makaleye bu linke tıklayarak ulaşabilirsiniz.

 

R-Kodu:

# Load Train and Test veri kümeleri
# Tanımlama özelliği ve yanıt değişkenleri ve değerleri sayısal ve sayısal diziler olmalıdır
x_train <- input_variables_values_training_datasets
y_train <- target_variables_values_training_datasets
x_test <- input_variables_values_test_datasets
x <- cbind (x_train, y_train)
# Eğitim setlerini kullanarak modeli eğitin ve doğrusal  puanı kontrol edin
 <-  lm (y_train  ~  . ,  Data  = x )
özet (doğrusal)
#Predict Output
tahmin = tahmin (doğrusal, x_test ) 

2. Lojistik Regresyon

Adıyla karıştırmayın! Bu bir sınıflandırmadır ve bir regresyon algoritması değildir. Belirli bir bağımsız değişken (ler) kümesine dayalı olarak ayrık değerleri (0/1, evet / hayır, doğru / yanlış gibi ikili değerler) tahmin etmek için kullanılır. Basit bir deyişle, verileri bir logit işlevine uydurarak bir olayın meydana gelme olasılığını tahmin eder  . Bu nedenle, logit regresyonu olarak da bilinir  . Olasılığı tahmin ettiği için çıktı değerleri 0 ile 1 arasındadır.

Yine, bunu basit bir örnekle anlamaya çalışalım.

Arkadaşınızın size çözmeniz gereken bir bulmaca verdiğini varsayalım. Yalnızca 2 sonuç senaryosu vardır – ya çözersiniz ya da çözmezsiniz. Şimdi, hangi konularda iyi olduğunuzu anlamak için size çok çeşitli bulmacalar / sınavlar verildiğini hayal edin. Bu çalışmanın sonucu şuna benzer bir şey olacaktır – eğer trigonometriye dayalı onuncu sınıf bir problem verilirse, onu çözme olasılığınız% 70 olacaktır. Öte yandan, beşinci sınıf tarih sorusuysa, cevap alma olasılığı sadece% 30’dur. Lojistik Regresyon size bunu sağlar. Yapay Sinir Ağları Nedir ile ilgili makalemize bu metne tıklayarak ulaşabilirsiniz.

Matematiğe gelince, sonucun log olasılıkları, yordayıcı değişkenlerin doğrusal bir kombinasyonu olarak modellenir.

olasılıklar = p / (1-p) = olayın meydana gelme olasılığı / olayın oluşmama olasılığı ln (olasılıklar) = ln (p / (1-p)) logit (p) = ln (p / (1-p)) = b0 + b1X1 + b2X2 + b3X3 .... + bkXk

Yukarıda, p , ilgilenilen özelliğin bulunma olasılığıdır. Hata karelerinin toplamını en aza indirgemek yerine (sıradan regresyonda olduğu gibi) örnek değerleri gözlemleme olasılığını en üst düzeye çıkaran parametreleri seçer.

Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenimi algoritmaları nedir? Makine öğrenimi algoritmaları ile ilgili yazılmış olan bir makale karşınızda

Şimdi sorabilirsiniz, neden kütük alalım? Basitlik uğruna, bunun bir adım işlevini kopyalamak için en iyi matematiksel yollardan biri olduğunu söyleyelim. Daha fazla ayrıntıya girebilirim. Yakında Türkiye Yapay Zeka‘da bu ayrıntılara ulaşacaksınız.

R-Kodu:

x <- cbind (x_train, y_train)
 # Eğitim setlerini kullanarak modeli eğitin ve puan lojistiğini  kontrol edin
 <- g lm (y_train  ~  . ,  data  = x, family = 'binomial' )
özet (lojistik)
#Predict Output
tahmin edilen = tahmin ( lojistik , x_test )

Modeli iyileştirmek için denenebilecek birçok farklı adım vardır:

  • etkileşim şartları dahil
  • özellikleri kaldırmak
  • düzenlileştirme teknikleri
  • doğrusal olmayan bir model kullanmak

3. Karar Ağacı

Şimdi, bu benim en sevdiğim algoritmalardan biri. Çoğunlukla sınıflandırma problemleri için kullanılan bir tür denetimli öğrenme algoritmasıdır. Şaşırtıcı bir şekilde, hem kategorik hem de sürekli bağımlı değişkenler için çalışır. Bu algoritmada, popülasyonu iki veya daha fazla homojen kümeye ayırıyoruz. Bu, mümkün olduğunca farklı gruplar oluşturmak için en önemli özniteliklere / bağımsız değişkenlere dayalı olarak yapılır.

Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenmesi algoritması

Yukarıdaki resimde, “oynayıp oynamayacaklarını” belirlemek için popülasyonun birden çok özelliğe göre dört farklı gruba ayrıldığını görebilirsiniz.

R-Kodu:

kütüphane (rpart)
x <- cbind (x_train, y_train)
# ağaç yetiştir 
sığdır <- rpart ( y_train  ~  . ,  veri  = x, yöntem = "sınıf")
 özeti (sığdır)
#Predict Output 
tahmin = tahmin ( sığdır , x_test )

4. Naif Bayes

Bu,  yordayıcılar arasında bağımsızlık varsayımı ile Bayes teoremine dayalı bir sınıflandırma tekniğidir  . Basit bir ifadeyle, bir Naive Bayes sınıflandırıcı , bir sınıftaki belirli bir özelliğin varlığının başka herhangi bir özelliğin varlığıyla ilgisi olmadığını varsayar.

Örneğin, bir meyve kırmızı, yuvarlak ve yaklaşık 3 inç çapındaysa bir elma olarak düşünülebilir. Bu özellikler birbirine veya diğer özelliklerin varlığına bağlı olsa bile, saf bir Bayes sınıflandırıcısı, bu meyvenin bir elma olma olasılığına bağımsız olarak katkıda bulunmak için tüm bu özellikleri dikkate alacaktır.

Naive Bayes modelinin oluşturulması kolaydır ve özellikle çok büyük veri kümeleri için kullanışlıdır. Basitliğin yanı sıra, Naive Bayes’in son derece sofistike sınıflandırma yöntemlerinden bile daha iyi performans gösterdiği bilinmektedir.

Naif Bayes teoremi devamı…

Bayes teoremi, P (c) , P (x) ve P (x | c) ‘ den posterior olasılık P (c | x) ‘ i hesaplamanın bir yolunu sağlar . Aşağıdaki denkleme bakın:

Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenmesi algoritmaları

Buraya,

  • P ( c | x ), öngörücü  ( öznitelik ) verilen sınıfın  ( hedef ) son  olasılığıdır  . 
  • P ( c ), sınıfın öncelikli olasılığıdır  . 
  • P ( x | c ), sınıfta  verilen  tahmin edicinin olasılığı olan olasılıktır  . 
  • P ( x ), tahmin edicinin önceki olasılığıdır  .

Örnek:  Bunu bir örnek kullanarak anlayalım. Aşağıda hava durumu için bir eğitim veri seti ve buna karşılık gelen hedef değişken ‘Play’ var. Şimdi, oyuncuların oynayıp oynamayacaklarını hava durumuna göre sınıflandırmamız gerekiyor. Bunu gerçekleştirmek için aşağıdaki adımları takip edelim.

Adım 1: Veri kümesini frekans tablosuna dönüştürün

Adım 2: Bulutlu olasılık = 0.29 ve oynama olasılığı 0.64 gibi olasılıkları bularak bir Olasılık tablosu oluşturun .

Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenimi algoritmaları nedir? Makine öğrenimi algoritmaları ile ilgili yazılmış olan bir makale karşınızda

Adım 3: Şimdi, her bir sınıfın sonsal olasılığını hesaplamak için Naif Bayes denklemini kullanın. En yüksek posterior olasılığa sahip sınıf, tahminin sonucudur.

Sorun:  Hava güneşliyse oyuncular ödeme yapacak, bu ifade doğru mu?

Yukarıda tartışılan yöntemi kullanarak çözebiliriz, bu nedenle P (Evet | Güneşli) = P (Güneşli | Evet) * P (Evet) / P (Güneşli)

Burada P (Güneşli | Evet) = 3/9 = 0.33 , P (Güneşli) = 5/14 = 0.36 , P (Evet) = 9/14 = 0.64

Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenmesi algoritması

Şimdi, P (Evet | Güneşli) = 0,33 * 0,64 / 0,36 = 0,60 , bu daha yüksek olasılığa sahiptir.

Naive Bayes, çeşitli özelliklere dayalı olarak farklı sınıfların olasılığını tahmin etmek için benzer bir yöntem kullanır. Bu algoritma çoğunlukla metin sınıflandırmada ve birden çok sınıfa sahip problemlerde kullanılır.

R-Kodu:

kütüphane (e1071)
x <- cbind (x_train, y_train)
# Montaj modeli
sığdır <-naiveBayes ( y_train  ~  . , veri = x)
 özeti (sığdır)
#Predict Output 
tahmin = tahmin ( sığdır , x_test )

5. kNN (k- En Yakın Komşular)

Hem sınıflandırma hem de regresyon problemleri için kullanılabilir. Ancak sektördeki sınıflandırma problemlerinde daha yaygın olarak kullanılmaktadır. K en yakın komşu  , mevcut tüm vakaları saklayan ve yeni vakaları k komşularının çoğunluk oyuyla sınıflandıran basit bir algoritmadır. Sınıfa atanan durum, bir mesafe fonksiyonu ile ölçülen en yakın K komşuları arasında en yaygın olanıdır.

Bu uzaklık fonksiyonları Öklid, Manhattan, Minkowski ve Hamming mesafesi olabilir. İlk üç işlev sürekli işlev için ve dördüncü işlev (Hamming) kategorik değişkenler için kullanılır. Eğer K = 1 , daha sonra dava basitçe en yakın komşusu sınıfına atanır. Bazen, kNN modelleme yaparken K’yi seçmek zor olabilir.

Makine Öğrenimi Algoritmaları Makine Öğrenimi nedir
Makine öğrenmesi algoritmaları

KNN, gerçek hayatlarımıza kolayca eşlenebilir. Hakkında bilgi sahibi olmadığınız bir kişi hakkında bilgi edinmek istiyorsanız, yakın arkadaşları ve içinde bulunduğu çevreler hakkında bilgi edinmek ve bilgilerine erişim sağlamak isteyebilirsiniz!

R-Kodu:

kütüphane (knn)
x <- cbind (x_train, y_train)
# Montaj modeli
sığdır <-knn ( y_train  ~  . , veri = x, k = 5)
 özeti (sığdır)
#Predict Output 
tahmin = tahmin ( sığdır , x_test )

KNN’yi seçmeden önce dikkat edilmesi gerekenler:

  • KNN hesaplama açısından pahalıdır
  • Değişkenler normalleştirilmelidir, aksi takdirde daha yüksek aralıklı değişkenler onu saptırabilir
  • Aykırı değer, gürültü giderme gibi kNN’ye gitmeden önce ön işleme aşamasında daha fazla çalışır

Bu beni bu blogun sonuna getiriyor. Makine Öğrenimi ve Veri Bilimi hakkında daha fazla içerik için bizi izlemeye devam edin!

“Makine Öğrenimi Algoritmaları nedir?” üzerine bir yorum

Yorum yapın