# 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)](../../Lectures/DA-L06.md). Уся потрібна теорія повторена в самодостатньому
вигляді в [методичних вказівках](2method.md).