Kompyuter tizimlari

10-rasm. Dastur natijasi. (xosil qilingan raqam 9)
11-rasm. Dastur natijasi.(xosil qilingan raqam 7)
Dastur kodi:
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
dataset = pd.read_csv("train_data.csv")
dataset.head()
# Plotting images

---

a = np.random.random((10,10))
plt.figure()
plt.imshow(a, cmap='gray')
plt.show()
data = dataset.values[:5000]
data.shape
X, y = data[:,1:], data[:, 0]
# Plotting digit
im = X[4997].reshape((28,28))
plt.figure()
plt.imshow(im, cmap='gray')
plt.show()
split = int(X.shape[0] * 0.80)
X_train, X_test, y_train, y_test = X[:split], X[split:], y[:split], y[split:]
print(X_train.shape, y_train.shape)
print(X_test.shape, y_test.shape)
print(y_train)
print(y_test)
def knn(X_train, y_train, test_point, k=5):
distances = [] # Contains list of tuples (distance, label
for data_point, label in zip(X_train, y_train):
distances.append((euclidean(test_point, data_point), label))
# for i in range(X_train.shape[0]):
#
data_point = X_train[i]
#
label = y_train[i]
sorted_distances = sorted(distances, key=lambda x: x[0])
k_nearest_neighbors = np.array(sorted_distances[:k])
freq = np.unique(k_nearest_neighbors[:,1], return_counts=True)
labels, counts = freq
majority_vote = labels[counts.argmax()]
return majority_vote
def euclidean(p1, p2):
return np.sqrt(np.sum((p1-p2)**2))

---

euclidean(np.array([1,2,3]), np.array([4,5,6]))
def calculate_accuracy(X_test, y_test, X_train, y_train, k=5):
predictions = []
for test_point in X_test:
pred_label = knn(X_train, y_train, test_point, k)
predictions.append(pred_label)
predictions = np.array(predictions)
accuracy = (predictions == y_test).sum() / y_test.shape[0]
return accuracy
calculate_accuracy(X_test, y_test, X_train, y_train, k=5)
test_df = pd.read_csv("test_data.csv")
test_df.head()
test_data = test_df.values
test_images = test_data[:10]
test_images.shape
for test in test_images:
im = test.reshape((28,28))
plt.figure()
plt.imshow(im, cmap='gray')
plt.show()
print("Label:", knn(X_train, y_train, test))
XULOSA
Ushbu topshiriqda men eng oddiy mashinani o'rganish klassifikatori - KNN haqida bilib
oldim. KNN algoritmi noma'lum ma'lumotlar nuqtasini o'quv majmuasidagi har bir
ma'lumot nuqtasi bilan taqqoslash orqali noma'lum ma'lumotlar nuqtalarini
tasniflaydi. Ushbu taqqoslash masofa funksiyasi yoki o'xshashlik ko'rsatkichi yordamida
amalga oshiriladi. Keyin, test to'plamidagi eng ko'p o'xshash misollardan biz har bir yorliq
uchun "nuqtalar" sonini to'pladim. Eng ko'p nuqta to'plagan toifa umumiy tasnif sifatida
tanlanadi. Oddiy va intuitiv bo'lsa-da va hatto ba'zi vaziyatlarda juda yaxshi aniqlikka
erisha olsa ham, KNN algoritmi bir qator kamchiliklarga ega. Birinchisi, u aslida hech
narsani "o'rganmaydi" - agar algoritm xatoga yo'l qo'ysa, keyinchalik tasniflash uchun
o'zini "tuzatish" va "yaxshilash" imkoni yo'q. Ikkinchidan, maxsus ma'lumotlar
tuzilmalarisiz, k-NN algoritmi ma'lumotlar nuqtalari soniga qarab chiziqli ravishda o'zgaradi
va bu katta ma'lumotlar to'plamlari uchun kam qo’llaniladigan algoritmdir.