taralino

Einführung

Nach dem Anwendungsbeispiel zur Kreditwürdigkeit besprechen wir nun die algorithmische Vorgehensweise der Nächste-Nachbarn-Klassifikation. Das Verfahren kann zur Lösung von Klassifikationsaufgaben eingesetzt werden und besitzt im Vergleich zu künstlichen neuronalen Netzen sehr unterschiedliche Eigenschaften sowie Vor- und Nachteile, die wir abschließend besprechen werden.

Wir werden die Nächste-Nachbarn-Klassifikation zunächst anhand eines anschaulichen Problems demonstrieren: Erzeugt werden Punkte in der Ebene, die jeweils genau einer Klasse angehören. Die Klassenzugehörigkeit wird dabei durch die Farbe der Punkte gekennzeichnet.

Eine Möglichkeit, um derartige Datensätze erstellen zu können, bietet das ClassificationData-Paket:

Zur Referenz

Beispiel

Mittels ClassificationData.get wird ein Datensatz erstellt, der 48 Punkte mit jeweils bekannter Klassenzugehörigkeit beinhaltet.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
</head>
<body>
<script>

// Trainingsdaten erzeugen
var X = ClassificationData.get(48, {categories:4, shape:"mixed"});

// Trainingsdaten darstellen
Canvas.init([0,1], [0,1], {width:300, background:"lightgrey"});
for (var i = 0; i < X.length; i++) {
  Canvas.circle(X[i].input[0], X[i].input[1], 0.018, {fill:X[i].color});
};

</script>
</body>
</html>

Vorschau Download Kopie speichern

Quiz

Hast du dich mit dem Quellcode beschäftigt und zum Beispiel die Anzahl der Punkte verändert?

nein