Méthode fit

Leçon 7 sur 19 du cours Introduction à l’apprentissage automatique de Coddy.

Le KNN n'a pas de phase d'entraînement explicite. Il stocke simplement le jeu de données. Ce n'est que lors de la phase predict qu'il calcule la distance entre le nouveau point et les autres.

Défi

Moyen

Implémentez le calcul de la distance euclidienne dans la méthode distance, et modifiez la méthode fit pour stocker la liste des points dans self.points et les étiquettes correspondantes dans self.labels. X_train sont les points et y_train sont les étiquettes.

Essayez vous-même

import numpy
class KNN:
    def __init__(self, k):
        self.points = None
        self.labels = None
        self.k = k
    
    def distance(self, point_a, point_b):
        # Écrivez votre code ici
    
    def fit(self, X_train, y_train):
        # Écrivez votre code ici
        pass

    def predict(self, X_test):
        pass

Toutes les leçons de Introduction à l’apprentissage automatique

1Le début du parcours en ML

Introduction au ML Les données à fournir à un modèle Qu’est-ce qu’un modèle de ML ?

4Algorithme K-Means

Introduction à K-Means méthode fit méthode predict

2Présentation du machine learning

Apprentissage supervisé Apprentissage non supervisé

5Naive Bayes

Introduction à Naive Bayes méthode fit méthode predict

3K plus proches voisins (KNN)

Introduction à KNNMéthode fitMéthode predict

6Autres modèles

Régression logistique Régression linéaire Arbre de décision Machine à vecteurs de support (SVM)Quiz sur les modèles

Entraînez-vous par vous-même : Compilateur Python en ligne