Documentos de Académico
Documentos de Profesional
Documentos de Cultura
más cercanos
Inicio
Desarrollo
Desenlace
Pag. 2
Inicio
• Presentación de los
integrantes.
Pag. 3
• Algoritmos de k vecinos (KNN)
• Calcula KNN: métricas de distancia
Desarrollo • Calcule KNN: definido k
• Aplicaciones de K-NN in Machine
Learning
• Ventajas y desventajas del algoritmo
KNN
• Próximos pasos
Pag. 4
Cierre
Pag. 5
Inicio
Integrantes.
Pag. 6
Inicio
Miguel de Cervantes
Pag. 8
Pag.
Desarrollo
El algoritmo de k vecinos más cercanos, también conocido como KNN o k-NN, es un clasificador de
aprendizaje supervisado no paramétrico, que utiliza la proximidad para hacer clasificaciones o
predicciones sobre la agrupación de un punto de datos individual
https://
colab.research.google.com/drive/
13QiNZyWy-
IKrURjp4mRoS4pzPKLDiCix
Desarrollo Ejemplo: análisis de KNN.
Ilustración del algoritmo de clasificación de KNN en dos dimensiones (características ClassA y ClassB). En el la
imagen , los ejemplos de capacitación se muestran como puntos azules y verdes, y un punto de consulta que
queremos clasificar se muestra como un signo de interrogación. En la grafica, y la línea discontinua indica el
vecino más cercano del punto de consulta, suponiendo una distancia euclidiana métrico. La etiqueta de clase
pronosticada es la etiqueta de clase del punto de datos más cercano en el conjunto de entrenamiento
Desarrollo
Pag. 11
Desarrollo
Pag. 12
Desarrollo
Distancia de hamming
Pag. 13
Desarrollo
Pag. 14
Pag. 14
Desarrollo
Pag. 16
Desarrollo
Preprocesamiento de datos: Los conjuntos de datos suelen tener valores faltantes, pero el algoritmo KNN puede estimar esos valores en un
proceso conocido como imputación de datos faltantes.
-Motores de recomendación : utilizando datos de flujo de clics de sitios web, el algoritmo KNN se ha utilizado para proporcionar
recomendaciones automáticas a los usuarios sobre contenido adicional.
-Finanzas: También se ha utilizado en una variedad de casos de uso económico y financiero. Por ejemplo, un artículo (PDF, 439 KB) (enlace
externo a ibm.com) muestra cómo el uso de KNN en datos crediticios puede ayudar a los bancos a evaluar el riesgo de un préstamo para una
organización o individuo.
-Cuidado de la salud: KNN se ha aplicado dentro de la industria de la salud, haciendo predicciones sobre el riesgo de ataques cardíacos y
cáncer de próstata. El algoritmo funciona calculando las expresiones genéticas más probables.
- Reconocimiento de patrones: KNN también ha ayudado a identificar patrones, como en texto y clasificación de dígitos (enlace externo a
ibm.com). Esto ha sido particularmente útil para identificar números escritos a mano que puede encontrar en formularios o sobres de correo.
Desarrollo
Pag. 18
Desarrollo
Ventajas
Desventajas
- Fácil de implementar: Dada la simplicidad y - No escala bien: Dado que KNN es un algoritmo perezoso, ocupa
precisión del algoritmo, es uno de los primeros más memoria y almacenamiento de datos en comparación con
clasificadores que aprenderá un nuevo científico de otros clasificadores. Esto puede ser costoso desde una perspectiva
datos. de tiempo y dinero.
Pag. 20
Nodo k-NN e IBM Cloud Pak for Data
Cloud Pak for Data es un conjunto de herramientas
que ayuda a preparar los datos para la
implementación de IA. El nodo k-NN es un
método de modelado disponible en IBM Cloud
Pak for Data, que facilita mucho el desarrollo de
modelos predictivos. El complemento se
implementa en cualquier nube y se integra a la
perfección en su infraestructura de nube
existente.
Desenlace
Pag. 22
Desenlace
https://colab.research.google.com/drive/1DqCXzwZd7RS08uVslYpWP8JIu
JxAWJH1?usp=sharing
Desenlace
Conclusión
Pag. 24
Desenlace
Referencias bibliográficas
Pag. 26
Desenlace