# Лабораторна робота 6. Класифікація. Метод $k$ найближчих сусідів (kNN)

> Шоста лабораторна робота курсу **«Аналітика даних»**. Спершу **в аудиторії** ви
> «руками» класифікуєте нову точку методом **kNN** (обчислюєте евклідові відстані,
> обираєте $k$ найближчих сусідів, голосуєте) та оцінюєте класифікатор за
> **матрицею невідповідності** (правильність, точність, чутливість, специфічність,
> $F_1$, MCC). Потім **удома** реалізуєте **програму** kNN, що читає навчальну
> вибірку з файлу CSV і класифікує введений об'єкт. Робота закріплює
> [Лекцію 6](../../Lectures/DA-L06.md).

## Коротко про роботу

| | |
|---|---|
| **Тема** | Класифікація; метод $k$ найближчих сусідів; функції відстані; матриця невідповідності та метрики якості |
| **Передумова** | [Лекція 6. Класифікація. Метод $k$ найближчих сусідів (kNN)](../../Lectures/DA-L06.md) |
| **Аудиторна частина** | kNN «руками» ($k=1$ і $k=3$); метрики за матрицею невідповідності (з розв'язаннями) |
| **Домашня частина** | Програма: читає навчальну вибірку з CSV, запитує ознаки об'єкта й класифікує його методом kNN |
| **Оцінювання** | три рівні: базовий **60–74** / середній **75–89** / високий **90–100** |

## Зміст

| № | Частина | Файл |
|:--:|---|---|
| 1 | Мета роботи | [1purpose.md](1purpose.md) |
| 2 | Методичні вказівки (теорія + демонстраційний приклад) | [2method.md](2method.md) |
| 3 | Аудиторні задачі з розв'язаннями | [3classroom.md](3classroom.md) |
| 4 | Домашнє завдання (програма) | [4task.md](4task.md) |
| 5 | Зміст звіту | [5report.md](5report.md) |
| 6 | Контрольні запитання | [6questions.md](6questions.md) |

## Домовленості

- **Дві частини.** Аудиторні задачі ([3classroom.md](3classroom.md)) розбирають
  спільно «руками» — з них ви розумієте, *що саме* обчислює програма. Домашнє
  завдання ([4task.md](4task.md)) — самостійна реалізація kNN у коді.
- **Відстань за замовчуванням — евклідова.** Якщо не зазначено інше, «відстань»
  означає евклідову; квадрат відстані $d^2$ зручний для **порівняння** сусідів (не
  треба брати корінь, порядок той самий).
- **Нормалізація.** Якщо ознаки мають різні масштаби, перед обчисленням відстаней їх
  **нормалізують** (мінімакс або $z$-стандартизація). В аудиторних задачах дані вже
  зіставні за масштабом, тож нормалізацію там опускають; у програмі її додають на
  середньому рівні.
- **Непарне $k$.** Для двокласової задачі беріть **непарне** $k$, щоб уникнути
  нічиєї в голосуванні.
- **Мова програмування — на вибір.** Стандартні бібліотеки для читання CSV
  дозволені; готові реалізації (`sklearn.neighbors.KNeighborsClassifier`) можна
  брати **лише для перевірки** власного коду.

## Підсумок

Метод $k$ найближчих сусідів — найпрозоріший класифікатор: він не будує моделі, а
відносить новий об'єкт до того класу, що переважає серед його найближчих сусідів у
просторі ознак. У цій роботі ви навчитеся виконувати kNN «руками» (відстані →
сусіди → голосування), свідомо обирати $k$ і функцію відстані, нормалізувати ознаки
та **оцінювати** якість класифікації матрицею невідповідності. Ці навички —
фундамент усього Модуля 3: ту саму матрицю невідповідності й ті самі метрики ви
застосуєте до дерев рішень ([Лабораторна 7](../Laboratory7/main.md)) і баєсового
класифікатора ([Лабораторна 8](../Laboratory8/main.md)).