Dia 10: k-Nearest Neighbors
20230730La mayor parte básica de teoría lo saque de la pagina web de IBM, es como una manera general de entenderlo y suficiente para saber cuando aplicarlo.
Te deja este pequeño código de como sería en python, con scikit-learn es muy fácil aplicarlo.
from sklearn.neighbors import KNeighborsClassifier
model_name = ‘K-Nearest Neighbor Classifier’
knnClassifier = KNeighborsClassifier(n_neighbors = 5, metric = ‘minkowski’, p=2)
knn_model = Pipeline(steps=[(‘preprocessor’, preprocessorForFeatures), (‘classifier’ , knnClassifier)])
knn_model.fit(X_train, y_train)
y_pred = knn_model.predict(X_test)Así que el que yo decidí aplicar fue desde cero.
En esta imagen de una parte de mi código se puede ver más o menos cómo funciona:
En el input del programa tienes cuanta data quieres tener y dar k, k es con cuantos neighbors quieres chequear para determinar la clasificación de un punto.
La data se genera de esta forma:
Aprendí lo básico creo yo, he encontrado papers que se adentran más en este tema, que si en algún proyecto tengo que aplicar lo chequeare, pero por ahora creo que estoy bien con esto.