प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

सामीप्यस्य रहस्यस्य अन्वेषणम् : SKlearn इत्यस्मिन् K-nearest neighbor (KNN) एल्गोरिदमस्य अनुप्रयोगः

यन्त्रशिक्षणस्य जगति K-Nearest Neighbors (KNN) एल्गोरिदम् सरलतायाः सहजतायाः च कृते प्रसिद्धम् अस्ति । केएनएन एकः मूलभूतः वर्गीकरणः प्रतिगमनविधिः च अस्ति, तस्य कार्यसिद्धान्तः च अतीव सुलभः अस्ति: भिन्न-भिन्न-विशेषता-मूल्यानां मध्ये दूरं माप्य नूतन-दत्तांश-बिन्दुः कस्मिन् वर्गे अथवा मूल्ये अस्ति इति पूर्वानुमानं कुर्वन्तु Scikit-learn (संक्षेपेण sklearn), पायथन् इत्यस्मिन् व्यापकरूपेण प्रयुक्तस्य यन्त्रशिक्षणपुस्तकालयस्य रूपेण, KNN एल्गोरिदम् इत्यस्य कार्यान्वयनम् अयच्छति । अस्मिन् लेखे sklearn इत्यस्मिन् KNN algorithm इत्यस्य उपयोगः कथं करणीयः इति विस्तरेण परिचयः भविष्यति तथा च व्यावहारिकसङ्केतस्य उदाहरणानि प्रदास्यति ।

1. K-nearest neighbor algorithm इत्यस्य मूलभूतसिद्धान्ताः

K-समीपस्थस्य प्रतिवेशिनः एल्गोरिदमस्य मूलविचारः अस्ति यत् यदि विशेषतास्थाने नमूनायाः अधिकांशः K निकटतमः प्रतिवेशिनः कस्यचित् वर्गस्य सन्ति, तर्हि नमूना अपि अस्मिन् वर्गे अन्तर्भवति इति संभावना वर्तते

2. K-nearest neighbor algorithm इत्यस्य प्रमुखतत्त्वानि

• K मूल्यस्य चयनम्: K इत्यस्य चयनस्य आदर्शस्य कार्यप्रदर्शने महत्त्वपूर्णः प्रभावः भवति ।
• दूरमापः: केएनएन-एल्गोरिदम् इत्यस्मिन् भिन्न-भिन्न-दूरता-मापन-विधिनाम् उपयोगः कर्तुं शक्यते, यथा यूक्लिडियन-दूरता, म्यानहट्टन्-दूरता इत्यादयः ।
• भार कार्य: प्रतिवेशिनः भिन्नानि भारं नियुक्तुं शक्यन्ते, यथा दूरस्य आधारेण परस्परं भारः ।

3. sklearn इत्यस्मिन् KNN इत्यस्य उपयोगेन वर्गीकरणं

अत्र sklearn इत्यस्य उपयोगेन KNN वर्गीकरणस्य मूलभूतपदार्थाः सन्ति ।

३.१ केएनएन वर्गीकारकस्य आयातम्

from sklearn.neighbors import KNeighborsClassifier
1

३.२ दत्तांशं सज्जीकरोतु

मानातु यत् भवतः पूर्वमेव सह दत्तांशसमूहः अस्तिXइति लक्षणमात्रिका, २.yलक्ष्यचरः अस्ति ।

from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
1
2

3.3 KNN वर्गीकारकदृष्टान्तं रचयन्तु

knn = KNeighborsClassifier(n_neighbors=3)
1

३.४ प्रशिक्षणप्रतिरूपम्

KNN मॉडल् प्रशिक्षितुं दत्तांशसमूहस्य उपयोगं कुर्वन्तु ।

knn.fit(X, y)
1

३.५ भविष्यवाणीं करणं

भविष्यवाणीं कर्तुं प्रशिक्षितस्य प्रतिरूपस्य उपयोगं कुर्वन्तु।

y_pred = knn.predict(X)
1

4. sklearn इत्यस्मिन् प्रतिगमनार्थं KNN इत्यस्य उपयोगः

केएनएन इत्यस्य उपयोगः प्रतिगमनकार्यस्य कृते अपि कर्तुं शक्यते ।

4.1 KNN प्रतिगमनकर्ता आयातम्

from sklearn.neighbors import KNeighborsRegressor
1

4.2 KNN regressor instance रचयन्तु

knn_reg = KNeighborsRegressor(n_neighbors=3)
1

४.३ प्रशिक्षणप्रतिरूपम्

KNN प्रतिगमनप्रतिरूपं प्रशिक्षितुं दत्तांशसमूहस्य उपयोगं कुर्वन्तु ।

knn_reg.fit(X, y)
1

४.४ भविष्यवाणीं करणं

प्रतिगमनपूर्वसूचनार्थं प्रशिक्षितप्रतिरूपस्य उपयोगं कुर्वन्तु।

y_pred_reg = knn_reg.predict(X)
1

5. K-Nearest Neighbor Algorithm इत्यस्य लाभाः हानिः च

• लाभ: एल्गोरिदम् सरलं सुलभं च भवति, दत्तांशस्य वितरणं न कल्पयित्वा;
• अभावः: उच्चगणनाजटिलता, विशेषतः बृहत्दत्तांशसमूहेषु;

६ उपसंहारः

K-nearest neighbor algorithm इति सरलं तथापि शक्तिशाली यन्त्रशिक्षणपद्धतिः वर्गीकरणस्य प्रतिगमनकार्यस्य च उपयुक्ता अस्ति । sklearn एकं सुलभं KNN कार्यान्वयनम् प्रदाति, यत् अस्मान् व्यावहारिकसमस्यासु शीघ्रमेव एतत् एल्गोरिदम् प्रयोक्तुं शक्नोति ।

अस्मिन् लेखे sklearn इत्यस्मिन् KNN एल्गोरिदम् इत्यस्य उपयोगः कथं करणीयः इति विस्तरेण वर्णितम् अस्ति तथा च व्यावहारिकसङ्केतस्य उदाहरणानि प्रदत्तानि सन्ति । आशासे यत् एषः लेखः पाठकान् K-nearest neighbor algorithm इत्येतत् अधिकतया अवगन्तुं साहाय्यं कर्तुं शक्नोति तथा च sklearn इत्यस्मिन् एतासां तकनीकानां कार्यान्वयनस्य पद्धतीषु निपुणतां प्राप्तुं शक्नोति। यथा यथा आँकडानां परिमाणं निरन्तरं वर्धते तथा च यन्त्रशिक्षणप्रौद्योगिक्याः विकासः भवति तथा तथा के-समीपस्थः प्रतिवेशिनः एल्गोरिदम् आँकडाविश्लेषणे भविष्यवाणीप्रतिरूपणे च महत्त्वपूर्णां भूमिकां निरन्तरं निर्वहति