Реализация алгоритма K-ближайших соседей

РЕФЕРАТ

31с., 1 табл., 16 рис., 10 библ., 1 прил.

С#, АЛГОРИТМ К-БЛИЖАЙШИХ СОСЕДЕЙ, МАШИННОЕ ОБУЧЕНИЕ, КЛАССИФИКАЦИЯ ДАННЫХ, ЕВКЛИДОВО РАССТОЯНИЕ.

Целью работы является разработка приложения с использованием алгоритма к-ближайших соседей.

Объект исследования – точки в декартовом произведении.

Предмет исследования – средства среды программирования для реализации приложения по нахождению класса заданной точки в двухмерном пространстве на языке С#.

Разработанное приложение позволяет определить класс точки, что в дальнейшем может позволить определять схожие типы данных, также производится ввод данных и последующий вывод результата.

СОДЕРЖАНИЕ

Введение        4

1.        Описание предметной области        6

1.1.        Сведения из теории        6

1.1.1.        Алгоритм        6

1.1.2.        Определение класса нового объекта        8

1.1.3.        Выбор значения параметра k        9

1.1.4.        Отличительные особенности kNN        10

1.2.        Выбор инструментальных средств разработки        15

1.3        Постановка задачи        16

2.        Технология разработки приложения        17

2.1.        Алгоритм решения        17

2.2.        Описание интерфейса приложения        20

2.3.        Описание программы        21

2.4.        Результаты работы программы        24

3.        Руководство пользователя        26

Заключение        27

Список литературы        28

Приложение 1        29

Введение

В текущий момент, в век цифровых технологий человечество массово работает над облегчением собственной жизни и поднятием её уровня. Сейчас программисты повышают свою квалификацию для выполнения высокоуровневых задач. Происходит все это с повышением уровня технологий и приводит к потребности разработки нового ПО. Ввиду данных потребностей в области программирования появляется новый класс методом искусственного интеллекта-машинное обучение, характерной чертой которого является не прямое решение задач, а обучение на основании применения решений множества аналогичных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.  Машинное обучение способствует упрощению жизни и повышению её уровня. В данной работе будет рассмотрен такой метод машинного обучения, как kNN или k Ближайших Соседей.

В отличие от методов на основе моделей, которые сначала изучают модели из обучающих выборок, а затем предсказывают тестовые выборки с помощью изученной модели, метод k ближайших соседей независим от моделей и не имеет этапа обучения и выполняет задачи классификации, сначала вычисляя расстояние между тестовой выборкой и всеми обучающими выборками для получения ее ближайших соседей, а затем выполняя классификацию kNN, которая присваивает тестовым выборкам метки по правилу большинства на метках выбранных ближайших соседей. Из-за своей простой реализации и значительной производительности классификации метод kNN является очень популярным интеллектуального анализа данных, статистики и поэтому был признан одним из десяти лучших алгоритмов интеллектуального анализа данных.