362951_de-DE

liliconcom

k-NN-Visualisierung in JMP

Hallo Leute,

 

Langjähriger JMP Pro-Benutzer hier, aber ziemlich neu in der Arbeit mit dem Klassifizierungsmodul k-Nearest Neighbors.Ich arbeite mit einem Datensatz für die Spektroskopie des sichtbaren Reflexionsvermögens für ein Problem der geologischen Materialklassifizierung (zwei Klassen).Ich habe zu diesem Zeitpunkt ein ziemlich gut optimiertes k-NN-Modell mit einer geringen Fehlklassifizierungsrate in meinem Testsatz.So weit, ist es gut.Ich suche jedoch nach einer Möglichkeit, visuell zu veranschaulichen, was k-NN tut und wie Vorhersagen getroffen werden.Im Wesentlichen möchte ich Entscheidungsbereichsdiagramme erstellen, wie in der zweiten Hälfte dieses Beitrags gezeigt: https://towardsdatascience.com/knn-visualization-in-just-13-lines-of-code-32820d72c6b6 Und ja, ich bin mir bewusst, dass der Beitrag genau erklärt, wie das geht, aber ich habe keine Erfahrung mit Codierung und habe bereits die gesamte eigentliche Analyse in JMP durchgeführt.Vorschläge sehr willkommen; Vielen Dank!

AnalytikGrafikRe: k-NN-Visualisierung in JMP

Nicht die Antwort, aber es könnte hilfreich sein, sie trotzdem zu visualisieren oder zu erklären. Überprüfen Sie die Skripte in der Tabelle und führen Sie sie aus. Beachten Sie, dass der generative Gaußsche Fall schwierig ist, da er ein hohes Maß an Vermischung der Kategorien erzeugt.

Re: k-NN-Visualisierung in JMP

Ich bin mit KNN nicht wirklich vertraut, aber die erste Idee für die Visualisierung, die ich hätte, ist, dem falsch vorhergesagten einen anderen Marker zu geben. Siehe Screenshot unten. Es sind die U-förmigen Daten, KNN mit K = 4 ergab das beste Ergebnis.

• gespeicherte Vorhersageformel
• hat eine neue Formel erstellt, um die wahre Klasse und die vorhergesagte Klasse zu vergleichen
• Verwenden Sie diese Formel für die Markerform

Es gibt auch eine effiziente Funktion, um die nächsten Nachbarn zu finden. Wir könnten diese verwenden, um z. B. den Bereich der falschen Punkte zu finden und ihm ein anderes Aussehen zu geben. Vielleicht hilft das.

 

 

Re: k-NN-Visualisierung in JMP

Ich habe ein bisschen rumgespielt,

• nahm die Daten von Big Class (Gewicht und Größe als x und y, Geschlecht als Klasse),
• KNN-Analyse durchgeführt, Formel gespeichert
• erzeugte ein Raster in einer separaten Tabelle und kopierte die Formel in dieses Raster, um "Entscheidungsbereiche" anzuzeigen.
  siehe Screenshot. Könnte schöner sein (es liegt an der Datenverteilung usw.), zeigt aber, was gemeint ist.

Sie können dies auch interaktiv tun, wenn Sie nicht codieren möchten. Anbei der Code für dieses Beispiel. Vielleicht kann das helfen.

 

 

 

 

Names Default To Here( 1 );

// Create a data table (x and y are height and weight from Big Class, class is sex)
dt_data= New Table( "dt_data",
 Add Rows( 40 ),
 New Column( "x", Numeric,
  "Continuous",
  Format( "Fixed Dec", 5, 0 ),
  Set Values(
   [59, 61, 55, 66, 52, 60, 61, 51, 60, 61, 56, 65, 63, 58, 59, 61, 62, 65, 63, 62,
   63, 64, 65, 64, 68, 64, 69, 62, 64, 67, 65, 66, 62, 66, 65, 60, 68, 62, 68, 70]
  ),
  Set Display Width( 48 )
 ),
 New Column("y", Numeric,
  "Continuous",
  Format( "Fixed Dec", 5, 0 ),
  Set Values(
   [95, 123, 74, 145, 64, 84, 128, 79, 112, 107, 67, 98, 105, 95, 79, 81, 91, 142,
   84, 85, 93, 99, 119, 92, 112, 99, 113, 92, 112, 128, 111, 105, 104, 106, 112,
   115, 128, 116, 134, 172]
  ),
  Set Display Width( 48 )
 ), 
 New Column( "class", Numeric,
  "Nominal",
  Format( "Best", 12 ),
  Set Values(
   [1, 1, 1, 1, 1, 2, 2, 2, 1, 1, 1, 2, 2, 2, 2, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2,
   1, 1, 2, 2, 2, 2, 2, 1, 1, 2, 1, 2, 2]
  )
 ),

);

// Model class by x and y and save formula
knn_rep = dt_data << K Nearest Neighbors(
 Y( :class ),
 X( :x, :y ),
 K( 10 ),
 Set Random Seed( 42 )
);
knn_rep << xpath( "class" ) << Save Prediction Formula( 8 );
knn_rep << Close Window();

// Generate a grid data table to show the whole field
Summarize(
 dt_data,
 max_x = Max( :x ),
 min_x = Min( :x ),
 max_y = Max( :y ),
 min_y = Min( :y )
);
dx = 1;
get_limit = Function( {value},
 Round( value / dx ) * dx + If( value >= 0, 1, -1 ) * dx
);
dtx = As Table(
 (get_limit( min_x ) / dx :: get_limit( max_x ) / dx)` * dx,
 <<COLUMN names=""></COLUMN>