Vecinos cercanos

#1

En esta parte se están llamando las librerías, así como la librería de colores que nos
permitirá estar utilizando dentro de nuestras gráficas, después de ello también se
importan los vecinos que es con lo que estaremos trabajando en todo el documento. Nos
es indicado que los vecinos con los que trabajamos serán tan solamente 15.

Después se carga la base de datos que estaremos manejando con aquella que utilizaremos
para desarrollar las operaciones.

Ahora se toman en cuenta los datos que estarán cargados en cada una de las variables
para evitar saturar de información de esta misma, después existe un tamaño en el cual
estarán funcionando las variables a utilizar.

En este punto se crea los colores que estarn dentro de la grafica y se estarán mostrando,
estos colores nos permitirán identificar rápidamente las distintas clases.
En este momento se dará el tamaño y la manera de cómo se estará clasificando la
información de todos los datos introducidos, así como es que cada uno será separado
entre que rangos para tener una calidad de información más rápida y así poder
seleccionar la información que se quiere mostrar dentro de la gráfica. Dentro de la
variable Z se coloca la predicción de la clasificación esta variable es la que se encargara de
estar separando todos los datos para que sean mostrados.

Se colocan los puntos de entrenamiento en los cuales se mostrará como el clasificador se

estará colocando en colores específicos, de cada una de las variables diferentes. Se
colocará dentro de la grafica valores limitantes que mostraran la cantidad mínima de los
puntos de la x así como los puntos de la y para tener un plano en cual demostrarlos mas
adecuadamente. Por último, se muestra la grafica adecuadamente de la siguiente manera
Se puede observar en las graficas como es que existe una limitación correcta por parte de
este tipo de clasificador pero aun asi se ve como se mezcla un poco algunos datos
#2
Aquí se puede ver como es que en el caso anterior son llamadas todas las librerias
necesarias y posterior a ello se llama una librería difertente capaz de manejar los datos de
una manera diferente para ver la diferencia entre las anteriores.

Como en el ejercicio anterior a este es cargada la base de datos de iris y posterior a ello se
cargan los datos necesarios en las variables X e y, dándoles un tamaño de paso en cada
una de las iteraciones que tendrán.

Se crea el mapa de colores con el que se estara trabajando puesto que esto nos permitira
tener identificados todos los tipos de clases que maneja la base de datos de iris.
Por ultimo en esta sección se colocan todos los datos necesaríos con los cuales se estarán
trabajando para que se tenga un rango establecido de muestreo dentro de la grafica, y
podamos identificar cada una de las clases, por ultimo los comandos plt nos indican que la
grafica tendrá ciertos parámetros y en algunos casos unos etiquetas que serán mostradas
en la grafica final, por ultimo se manda a graficar todos los datos y se muestra lo siguiente.
Esta grafica a comparación de la anterior se ve mayor mente limitada evitando cierta
cantidad de manchas que tenía la gráfica anterior permitiéndonos, tener mas en cuenta la
calidad de la grafica y de los datos, de esta manera se puede tener un mayor grado de
certidumbre al momento de seleccionar datos específicos.
#3
El siguiente método cargamos todas las librerías necesarias en este caso es necesaria
componentes de análisis y clasificadores diferentes posterior a ello se realizan diferentes
actividades.

Después de lo anterior el documento se manda a imprimir y comienzan a realizarse las acciones

dentro de el, el numero de vecinos esta vez será de 1 y se cargaran los datos de la base de datos
de iris, posteriormente esos datos se cargan en las variables de X e Y, y posterior a ello se crean
dos conjuntos de datos dinámicos con la variable X y los datos comienzan a ser tratados para
funcionar adecuadamente. Después de ello el tamaño de paso avanza de 0.01.
Posterior a ello se crea un mapa de colores donde se encontrarán todas las funciones clasificadas y
colocadas de una manera más correcta y adecuada.

Aquí mismo se muestran los clasificadores que se utilizan y comienzan a colocarse los datos de
cómo es que actuaran los clasificadores para separar cada uno de estos datos.
Por último, punto los datos una vez modificados por los clasificadores colocados se guardan
dentro de la variable Z la cual nos permitirá darle un limite a la misma para poder interactuar con
estos.

Una vez guardados los datos estos son graficados con las variables medidas que se están
especificando en los plt para que así sea mas ordenado el resultado, por ultimo se grafica todo y se
muestra lo siguiente.

Aquí se puede ver como los clasificadores trabajando en conjunto generan una mejor percepcion
de la imagen final permitiendo separar de manera mas adecuada todos los puntos de los datos
correspondientes.

#4
Se carga la librería de vecinos junto con el árbol de decisión KD

Posterior a ello se introduce un arreglo con una serie de datos dentro de una variable llamada X

Después se inicia el árbol de KD después de ello se toma en cuenta el tamaño que se estará
utilizando y la métrica euclidiana. después se realiza una consulta de los datos una vez aplicando
el vecino cercano y el resultado que nos arroja es el siguiente.

Lo cual nos muestra el arreglo final y dándonos un valor del tipo de datos que se tiene.

#5

En el siguiente caso practico se muestra 2 variables llamadas X e Y cada una cargada con un
conjunto de arreglos, posterior a ello se carga la librería a utilizar y despues le damos el nombre al
clasificador llamado neigh, depues tan solo se aplica el regresor de vecinos y se imprime el
resultado del vecino del valor 1.5 lo cual nos arroja la siguiente informacion

Esto nos muestra que ese es el vecino que se estaba buscando.

#6
Igual que en el caso anterior primero se llama la librería a ocupar y utilizamos el aleatorio para
crear 5 valores entre 6 y 100 dentro de la variable X, después de ello se llama a traer el clasificador
multinomial este lo aplicamos en los valores de X e Y e imprimimos el resultando intentando
predecir la información entre los dígitos 2:3

El resultado es el número tres.

#7

En este punto cargamos la librería que utilizaremos en estos casos, después de ello le damos datos
a X con un conjunto de valores estimados, después de ello tamben creamos una serie de datos
para Y, y creando una nueva variable llamamos a traer la librería de NearestCentroid, ello nos
permitirá llamarlo en el siguiente paso por último predecimos los datos que se encuentran dentro
de -0.8 y -1 y el resultado es el siguiente.

El resultado es 1 es el dato que nos arroja el clasificador en este caso.

#8
En este caso se manda a imprimir el documento, se llaman las librerías necesarias para trabajar el
documento, después de ello se crea datos de ejemplo con lo que se estará trabajando con ayuda
del random los datos son colocados en distintas variables y con diferentes parámetros.

Colocando los puntos donde se graficara nos menciona que se moverá en el lapso de las Y y nos
mostrara todos los puntos de manera aleatoria.

Después se utiliza el modelo de regresion, colocando que serán tan solo 5 vecinos cercanos, en ese
momento se utiliza un método de uso del KNN para colocar una serie de datos establecidos sobre
cuales se estarán trabajando y al final simplemente se manda a graficar la serie de datos.

Con ello se coloca el color de los datos que se estara mostrando en la grafica y el tamaño que este
mismo tendrá, por ultimo se muestra la grafica al final del momento para observar de manera
adecuada los datos al final y el resultado es el siguiente
Aquí se muestra como es el comportamiento de los datos de la informacion que se ah estado
utilizando, para poder observar cual método puede cubrirlos todos se puede percatar que el mejor
es el modelo de distancia ya que logra atrapar a todos los puntos establecidos.

#9

En este caso se llaman ambos clasificadores de vecinos y se importa la base de datos de iris para
poder trabajar los datos de iris, esto nos permite tener en cuenta que también se debe de cargar
el modelo de selección de datos.

Este punto es necesario que se coloquen los datos de la base de datos de iris dentro de variables
especificas para poder ser trabajada.

Una vez colocadas se aplican en los datos los modelos de entrenamiento para que el clasificador
pueda verificar la informacion rapidamente.

Después de ello se utiliza un componente de análisis de la clase de vecinos y se utiliza la instancia

KNN para clasificar los vecinoas mas adecuadamente. Posterior a ello se llama a a imprimir los
resultados y se muestra la informacion que nos arrojan los datos y como es que este lo pudo
clasificar mas adecuadamente por ultimo se manda a imprimir el score y este es el resultado

Aquí nos muestra el resultado del testeo de la informacion, después de ello se transforman los
datos y como se puede ver hay una ligera diferencia de esos casos.

#10

En este caso se cargan todas librerias y se empieza a utilizar un estimador de la informacion que
nos permitirá realizar la grafica con datos importantes.

Enn este momento se colocan los datos dentro de informacion de la graficadora, ya que esto nos
permitirá tener un proceso de tamaño total de todos estos datos, esto nos muestra datos
adecuados para cada sentido, después de ello se coloca la informacion en diferentes métodos de
entrenamiento y pruebas para que pueda realizar un mejor emparejamiento de la informacion.

En este punto es la curva ve aprendizaje de la grafica lo que permitirá procesar los datos
adecuadamente hasta tener el mejor dato dentro de la grafica.

Posteriormente se llama a traer a ambos ejemplos, para compararlos y verificar cual de ellos
cumple mejor su funcion con los datos proporcionados, con un conjunto de etiquetas que
muestran la informacion general de cada grafica.
Por ultimo la figura toma los datos que se estaban graficando y se vuelven a cargar los datos
dentro de las variables X e y y asi comienza a realizar una verificación de la informacion obtenida
para colocarla adecuadamente.

Posterior a ello se llega a la estimacion con un proceso gaussiano NB.Despues de ello los datos son
revueltos para que los clasifique adecuadamente al final. Por ultimo tansolo imprimimos la grafica
con los datos especificos y nos arroja el siguiente resultado
Se puede ver como los datos están colocados y se observa distinta manera de como utilizar los
datos y se puede observar que el modelo SVB es mas eficaz en cada momento.

#11
Se imprime el documento y se llama a traer todas las librerias necesarias para actuar con los datos
cargados a continuación.

Esta vez se ocuparan 50000 muestras diferentes con una calibracion de 3 usando 3 clusters.

Se centra dentro de diferente los datos necesarios y se colocan dentro de variables necesarias, las
muestras creadas con anterioridad se van colocando dentro de Y.

Se prueba la calibración de los datos para que comience a utilizarlo y así cambie el proceso, y
pueda funciona inmediatamente, posteriormente los datos entrenados comienzan a utilizar una
calibración gaussiana NB y se comience a utilizar las funciones adecuadas.
Se toma la calibración gaussiana para comenzar a comprobar los datos necesarios dentro de esto.

Después de ello se sigue utilizando diferentes medios de calibración para tratar los datos
necesarios para, ello después de ello se imprime los datos que estas clasificaciones nos permite
arrojar.

Es necesario predecir las probabilidades de los datos que se estarán los datos estarán ubicados en
colores diferentes colocan, cada uno de estos lados, es colocado dentro de la grafica ubicando de
diferente manera dentro de la gráfica.
Se grafica la figura y comiuenza a graficarse todas las probabilidades con los datos y se obtiene,
también se imprimen limites y se comienza a graficar la manera de los objetos mencionados, esta
grafica se muestra de la siguiente manera.

Aquí se muestra como es que los datos se encuentran clasificados de la mejor manera y se puede
diferenciar los datos de mejor manera.
Por ultimo los procesos gaussianos se muestran en la grafica siguiente de esa manera, y se puede
verificar los datos obtenidos.

#13

Esta vez se colocarán las librerías necesarias de vecinos y la numpy.

Después de ello se coloca un arreglo de datos de ejemplo y posteriormente se llama a traer a los
vecinos con un radio de 1.6 y después todos los datos son tratados con los vecinos. Y por ultimo se
imprimen los resultados y el resultado es el siguiente.

Esto, nos muestra cuales son los datos dentro que actúan como vecinos.

#14
En este documento se comienza a cargar todas las librerías necesarias y se llaman los datos con los
que se estarán procesando toda la información.

Se imprime el documento, posteriormente se cargan todos los vecinos y se crea una semilla
aleatoria para comenzar el llenado de datos, posterior a ello se muestra un conjunto de datos para
trabajar con ellos.

Después se empieza a entrenar con los datos generados y se utiliza diferentes métodos de
selección con los cuales se están trabajando.
Se le da dimenciones a la grafica y se crea clases con las cuales se estrara trabajando, posterior a
ello se reduce la dimensiones de los objetos, con los diferentes métodos de pipeline, permitiendo
escalar los datos para que se vean correctamente en las graficas.

Por ultimo se usa el clasificador de vecinos KNN y se comienza a hacer una lista de métodos para
comparr los datos que se estaran ocupando, al momento de tener los datos finales se comieza a
graficar la figura de diferentes maneras, esto nos permite utilizar modelos diferentes.

Los diferentes datos se van clasificando en los diferentes métodos de comparacion permitiendo
graficar adecuadamente todos los métodos y permitiendo clasificar los datos de manera
adecuada.
Esto mostrara todos los datos clasificados de diferentes maneras pero el mejor hasta el momento
que permite ver los datos demanera mucho mas ordenada es el NCA con el KNN que nos permite
ver los grupos de manera mas separada y asi los datos pueden ser leidos mas adecuadamente.