k-Nearest Neighbors
Mengklasifikasikan berdasarkan contoh terdekat
k-Nearest Neighbors adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Data Science Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Data Science Academy mencakup 4 pelajaran total.
Dinilai oleh Tetangga Anda
k-Tetangga Terdekat mengklasifikasikan sebuah titik dengan melihat contoh yang paling dekat dengannya. Yang serupa akan berakhir di kelas yang sama. 🐦
Tidak Ada Pelatihan Sebenarnya
kNN merupakan pembelajar malas: metode ini hanya menghafal data. Pekerjaan sebenarnya berlangsung nanti, ketika titik baru meminta sebuah label.
Ukur Jaraknya
Untuk menemukan titik yang dekat, model menghitung jarak ke setiap titik pelatihan, biasanya jarak garis lurus biasa.
Ambil Suara
Setiap k tetangga terdekat memberikan satu suara. Kelas yang memperoleh mayoritas menjadi prediksi untuk titik baru.
k Adalah Pilihan Utama
Huruf k menunjukkan jumlah tetangga yang Anda gunakan. Inilah satu pengaturan yang paling menentukan perilaku kNN.
k Kecil, Batas Berlekuk
k yang sangat kecil, seperti 1, mengikuti setiap lekukan data dan bereaksi terhadap derau, sehingga menghasilkan batas yang bergerigi dan terlalu menyesuaikan data.
k Besar, Keputusan Lebih Mulus
k yang besar merata-ratakan banyak titik untuk menghasilkan keputusan yang lebih mulus, tetapi jika terlalu besar, perbedaan nyata antarkelas menjadi kabur.
Penskalaan Tidak Boleh Diabaikan
Jarak menjadi tidak adil jika satu fitur memiliki rentang ribuan dan fitur lain hanya sepersepuluh. Selalu skalakan fitur agar masing-masing diperhitungkan secara setara.
Buat Pengklasifikasi
Buatlah seperti estimator lainnya dan segera pilih n_neighbors. Di sini kita menggunakan lima titik terdekat.
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=5)Jalankan fit, Lalu predict
Kontrak yang sudah dikenal tetap berlaku: fit menyimpan data, sedangkan predict menemukan tetangga dan memberikan suara untuk jawabannya.
model.fit(X_train, y_train)
model.predict(X_test)Perhatikan Biayanya
kNN sederhana, tetapi dapat menjadi lambat saat melakukan prediksi, karena setiap tebakan membandingkan titik baru dengan semua contoh yang tersimpan.
Pemeriksaan Singkat
Mari pastikan parameter yang menentukan kNN.
Ringkasan
kNN memprediksi dengan meminta k tetangga terdekat memberikan suara. Pilih k dengan cermat dan skalakan fitur Anda agar metode ini bekerja dengan baik. 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “k-Nearest Neighbors” gratis?
Ya — teks lengkap “k-Nearest Neighbors” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Data Science Academy, upgrade ke CoddyKit PRO. Kursus Data Science Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “k-Nearest Neighbors”?
Mengklasifikasikan berdasarkan contoh terdekat Kamu berlatih Data Science Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Data Science Academy?
Tidak diperlukan pengalaman sebelumnya. Data Science Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “k-Nearest Neighbors” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Regresi Logistik untuk Ya/Tidak
- k-Nearest Neighbors
- Pohon Keputusan dan Random Forest
- Dasar-Dasar Gradient Boosting