50 lines
1.7 KiB
Markdown
50 lines
1.7 KiB
Markdown
> Dans le domaine de l'apprentissage automatique des machines "Machine Learning", l'algorithme des k plus proches voisins est l'un des plus utilisé.
|
|
|
|
### Le programme
|
|
|
|
|
|
|
|
------
|
|
|
|
### Exemple de Problème de classification
|
|
|
|
L'algorithme des *k plus proches voisins* permet de résoudre certains problème, notamment ceux qui proposent de classer des données et élèments.
|
|
|
|
Par exemple, le Professeur Chen, inventeur du Pokédex, utilise cet algorithme afin que son appereil puisse prédire quel pokémon se trouve devant lui.
|
|
|
|
<img src="assets/chen.png" alt="chen" style="zoom:67%;" />
|
|
|
|
Pour simplifier, imaginons que les Pokemons ne possèdent que deux caractéristiques : leurs points de vie et leur valeur d'attaque. On peut prendre deux types pour commencer.
|
|
|
|
| Nom | Écayon | Deoxys | Éoko | Groret | Taraud |
|
|
| ------------- | ------ | ------ | ---- | ------ | ------ |
|
|
| Points de vie | 49 | 50 | 80 | 90 | 90 |
|
|
| Attaque | 49 | 95 | 45 | 75 | 75 |
|
|
| Type | Eau | Psy | Psy | Psy | Eau |
|
|
|
|
------------
|
|
|
|
- Nous pouvons utiliser cet échantillon afin de prédire la classification d'un Pokémon mystère, selon ses points de vie et sa valeur d'attaque.
|
|
|
|
|
|
|
|
|
|
|
|
------------
|
|
|
|
### Prédiction
|
|
|
|
À partir des données du diagramme, on veut prédire la classe d'un pokémon ayant 65 points de vie et 40 en attaque.
|
|
|
|
|
|
|
|
Il devrait donc se trouver dans zone. On peut alors trouver ses cinq ou six plus proches voisins.
|
|
|
|
- Parmi ces voisins se trouvent deux Pokémons de type Eau, et trois de types Psy.
|
|
- Le Pokémon mystère sera donc probablement de type Psy !
|
|
|
|
|
|
|
|
### Formulation de l'algorithme
|
|
|