بتل کد Battle Codeدارد باز می‌شود…

Choosing k چالش 6 از جلسه‌ی 22، سخت

برای هر k در [1, 3, 5] دقت k-NN را روی خودِ داده حساب کن، به روش «هر مثال را بیرون بگذار»: برای مثال شماره‌ی i، مدل را با همه‌ی مثال‌ها به جز i بساز و حدسش را با y[i] مقایسه کن. برای هر k یک خط چاپ کن مثل k=1 accuracy 0.83. دقت را با round(x, 2) گرد کن. خروجی: k=1 accuracy 0.56، k=3 accuracy 0.78، k=5 accuracy 0.89. یک مثال عمداً اشتباه برچسب خورده؛ ببین k بزرگ‌تر چطور اثرش را کم می‌کند.

import math


def distance(a, b):
    total = 0
    for i in range(len(a)):
        total = total + (a[i] - b[i]) ** 2
    return math.sqrt(total)


def knn(point, X, y, k):
    pairs = []
    for i in range(len(X)):
        pairs.append((distance(point, X[i]), y[i]))
    pairs.sort()
    votes = {}
    for d, label in pairs[:k]:
        votes[label] = votes.get(label, 0) + 1
    return max(votes, key=votes.get)


X = [[0.2, 0.9], [0.3, 0.8], [0.25, 0.75], [0.15, 0.85], [0.5, 0.5], [0.8, 0.2], [0.9, 0.3], [0.85, 0.25], [0.28, 0.78]]
y = ["apple", "apple", "apple", "apple", "orange", "orange", "orange", "orange", "orange"]

for k in [1, 3, 5]:
    correct = 0
    # for every i: others_X = X[:i] + X[i+1:], others_y likewise; compare knn(...) with y[i]
    print(f"k={k} accuracy {round(correct / len(y), 2)}")

راهنما و جواب این چالش · برگشت به درس جلسه‌ی 22: k-NN با چند ویژگی

بیشتر بخوان: تابع در پایتون: آموزش def، پارامتر و return با مثال