¡Descarga KNN código de ejemplo y explicación y más Apuntes en PDF de Programación C solo en Docsity!
Cómo importar las librerías
import numpy as np : nos proporciona funciones matemáticas para poder operar
con matrices y vectores, una estructura de datos de matrices y matrices
multidimensionales para un buen calculo.
import matplotlib.pyplot as plt: Que sirve para generar graficas a partir de datos
contenidos en listas, vectores, en el lenguaje de programación Phyton.
import pandas as pd: Es una librería de código abierto de Phyton que proporciona
herramientas de análisis y manipulación de datos de alto rendimiento utilizando
sus potentes estructuras de datos
Importar el data set
dataset = pd.read_csv('Ads_RedSocial.csv'): lo cual es añadir el archivo con el que
vamos a trabajar (.csv). Ocupando la sintaxis
X = dataset.iloc[:, [2,3]].values : se crea la variable X la cual nos dice que traerá la
información de la fila 2 columna 3 del archivo
y = dataset.iloc[:, 4].values: se crea la variable Y la cual trae todas las filas de la
columna 4
Dividir el data set en conjunto de entrenamiento y conjunto
de testing
from sklearn.model_selection import train_test_split: Esta función nos permite
dividir el data set en dos bloques, los cuales son: Entrenamiento y Testing
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state
= 0): aqui se separan las X y Y train de entrenamiento y las X y Y de testeo
para dfinir los valores que se le asignara a el tamaño de un 25% del total.
Indicando tomar los mismos valores
Escalado de variables
from sklearn.preprocessing import StandardScaler : se importa la librería
slkearn.preprocessing importando standardscaler que sirver para hacer una
estandarización
sc_X = StandardScaler(): creacion del objeto StandardScale con la variable sc_x
X_train = sc_X.fit_transform(X_train): se aplica la estandarización mediante la
librería importada anteriormente para la variable X_train y de esta forma los
valores se van sustituyendo escalarmente en los lugares que les corresponde
X_test = sc_X.transform(X_test): se aplica la estandarización mediante la librería
importada anteriormente para la variable Y_test y de esta forma los valores se
van sustituyendo escalarmente en los lugares que les corresponde
Ajustar el clasificador en el Conjunto de Entrenamiento
f r o m s k l e a r n. n e i g h b o r s i m p o r t K N e i g h b o r s C l a s s i fi e r : s e i m p o r t a
KNeighborsClassifer de la libreria Sclear.neighbors que nos sirve para la
prediccion por KNN
classifier = KNeighborsClassifier(n_neighbors = 5, metric = "minkowski", p = 2): se
le da valor a la variable neighbors que vale 5 y la P es el parámetro de potencia
para la métrica de minkowski que será 2
classifier.fit(X_train, y_train) : todo lo anterior se aplicara en estas dos variables
Predicción de los resultados con el Conjunto de Testing
y_pred = classifier.predict(X_test): en esta línea se ve realiza la predicción
mediante la variable Y_pred
Elaborar una matriz de confusión
from sklearn.metrics import confusion_matrix: se importa confusion_matrix de la
lbreria sclearn.matrics
cm = confusion_matrix(y_test, y_pred): se crea la variable cm aplicando la matriz
de confusión para las variables Y_tes y Y_pred para encontrar la exactitud y
presión de nuestros datos
Representación gráfica de los resultados del algoritmo en el
Conjunto de Entrenamiento
from matplotlib.colors import ListedColormap
X_set, y_set = X_train, y_train
X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max()
1, step = 0.01), np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max()
1, step = 0.01))
p l t. c o n t o u r f ( X 1 , X 2 , c l a s s i fi e r. p r e d i c t ( n p. a r r a y ( [ X 1. r a v e l ( ) ,
X2.ravel()]).T).reshape(X1.shape), alpha = 0.75, cmap = ListedColormap(('red',
'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
plt.title('K-NN (Conjunto de Test)')
plt.xlabel('Edad')
plt.ylabel('Sueldo Estimado')
plt.legend()
plt.show()
Se ponen agregan X_set y X_train para dar forma de ejes dentro de la gráfica dándoles
un tamaño
Se le pone dos colores a la gráfica que son el rojo y el verde en mediante las medidas
asignadas
Se ponen títulos para poder identificar los graficos
