در این پست وبلاگ، قصد داریم با استفاده از پایتون، یک مدل طبقه‌بند K-Nearest Neighbors (KNN) ایجاد کنیم. الگوریتم KNN یکی از محبوب‌ترین روش‌های طبقه‌بندی در یادگیری ماشین است که در بسیاری از کاربردهای واقعی مورد استفاده قرار می‌گیرد.
برای شروع، داده‌های آموزشی و تست را ایجاد می‌کنیم. برای این مثال، از داده‌های ابرصفحه استفاده می‌کنیم که شامل دو ویژگی (طول و عرض) و دو دسته‌بندی (قرمز و آبی) است.
import numpy as np # create training data X_train = np.array([[3, 1], [2, 5], [1, 8], [6, 4], [5, 2], [3, 5]]) y_train = ['red', 'red', 'red', 'blue', 'blue', 'blue'] # create test data X_test = np.array([[4, 5], [4, 2]])
سپس، ما یک شی KNeighborsClassifier از کتابخانه scikit-learn ایجاد می‌کنیم و مدل را با استفاده از داده‌های آموزشی آموزش می‌دهیم:
from sklearn.neighbors import KNeighborsClassifier # create the classifier clf = KNeighborsClassifier(n_neighbors=3) # fit the model clf.fit(X_train, y_train)
حالا، با استفاده از داده‌های تست، پیش‌بینی‌ها را انجام می‌دهیم:
# make predictions on test data y_pred = clf.predict(X_test) # print the predictions print(y_pred)
در نهایت، پیش‌بینی‌های مدل را چاپ می‌کنیم که برای داده‌های تست، دسته‌بندی آن‌ها را نشان می‌دهد.
این مثال نشان می‌دهد که چگونه با استفاده از کتابخانه scikit-learn و پایتون، می‌توان یک مدل KNN برای طبقه‌بندی داده‌ها ایجاد کرد.
