1. Мета роботи #

Навчитися розв’язувати задачу класифікації методом $k$ найближчих сусідів (kNN): обчислювати відстані між об’єктами, відбирати $k$ найближчих сусідів і визначати клас голосуванням; свідомо обирати $k$, функцію відстані та застосовувати нормалізацію ознак; оцінювати якість класифікатора за матрицею невідповідності; а також реалізувати kNN програмою, що читає навчальну вибірку з файлу CSV і класифікує введений об’єкт.

Виконавши роботу, студент повинен уміти:

• обчислювати відстані між об’єктами — евклідову, манхеттенську, Мінковського (числові ознаки) та Геммінга (категоріальні);
• класифікувати об’єкт методом kNN — упорядкувати навчальні точки за відстанню, узяти $k$ найближчих і віднести об’єкт до найпоширенішого серед них класу;
• розуміти вплив $k$ — чому мале $k$ чутливе до шуму (перенавчання), а велике надмірно згладжує межі, і чому для двокласової задачі беруть непарне $k$;
• нормалізувати ознаки (мінімакс, $z$-стандартизація) і пояснювати, чому без нормалізації відстань визначається ознакою з найбільшим масштабом;
• застосовувати зважений kNN (вага $1/d$ або $1/d^2$) і розуміти, як це знімає нічиї та підсилює ближчих сусідів;
• будувати матрицю невідповідності ($TP, TN, FP, FN$) і обчислювати за нею правильність (accuracy), точність (precision), чутливість (recall), специфічність, $F_1$-міру та коефіцієнт Меттьюза (MCC);
• реалізувати алгоритм kNN у вигляді програми, що приймає навчальну вибірку з CSV, запитує ознаки об’єкта й повертає передбачений клас.

Робота закріплює Лекцію 6 — Класифікація. Метод $k$ найближчих сусідів (kNN). Уся потрібна теорія повторена в самодостатньому вигляді в методичних вказівках.

Laboratory/Laboratory6/1purpose.md · 3.0 KB · updated 2026-08-04 23:14