362951_de-DE

liliconcom

k-NN-Visualisierung in JMP

Hallo Leute,

Bin schon seit langem JMP Pro-Benutzer hier, arbeite aber noch relativ neu mit dem Klassifizierungsmodul k-Nearest Neighbors. Ich arbeite mit einem Datensatz aus sichtbarer Reflexionsspektroskopie für ein Problem der Klassifizierung geologischer Materialien (zwei Klassen). Ich habe zu diesem Zeitpunkt ein ziemlich gut optimiertes k-NN-Modell mit einer niedrigen Fehlklassifizierungsrate in meinem Testsatz. So weit, so gut. Ich suche jedoch nach einer Möglichkeit, visuell darzustellen, was k-NN macht 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 durchaus bewusst, dass der Beitrag genau erklärt, wie das geht, aber ich habe keinerlei Programmiererfahrung und habe die gesamte eigentliche Analyse bereits in JMP durchgeführt. Vorschläge sind herzlich willkommen; danke!

Erweiterte statistische ModellierungDatenexploration und -visualisierungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzesstechnikBetreff: k-NN-Visualisierung in JMP

Ich habe ein bisschen herumgespielt,

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

Sie können dies auch interaktiv tun, wenn Sie nicht programmieren 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>

 

Betreff: k-NN-Visualisierung in JMP

Ich bin mit KNN nicht wirklich vertraut, aber die erste Idee zur Visualisierung, die ich hätte, wäre, den 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
• neue Formel erstellt, um wahre Klasse und vorhergesagte Klasse zu vergleichen
• Verwenden Sie diese Formel für die Markerform

Es gibt auch eine effiziente Funktion zum Finden nächster Nachbarn, die wir verwenden könnten, um zB die Reichweite der falschen Punkte zu finden und ihm ein anderes Aussehen zu geben. Vielleicht hilft das.

 

 

Betreff: k-NN-Visualisierung in JMP

Nicht die Antwort, aber es könnte trotzdem hilfreich sein, es zu visualisieren oder zu erklären. Überprüfen Sie die Skripts 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.