پروژه آماده الگوریتم knn اکسل* k نزدیکترین همسایه در اکسل
790.000 تومان قیمت اصلی 790.000 تومان بود.690.000 تومانقیمت فعلی 690.000 تومان است.
دانلود پروژه آماده الگوریتم knn اکسل* k نزدیکترین همسایه در اکسل یادگیری ماشین
الگوریتم KNN ( K-nearest neighbors)
دارای دو نسخه انگلیسی و فارسی در یک فایل
این محصول بصورت کاملا اوپن سورس و بدون قفل بوده و می توانید آن را شخصی سازی نموده و جهت ارائه و پروژه دانشجویی بهره بگیرید.
زبان برنامه نویسی | تحت اکسل |
محیط برنامه نویسی | اکسل |
نوع دیتاست | csv, اکسل |
پسوند فایل های موجود | اکسل (xlsm) |
صفحات فایل ورد WORD | 0 صفحه |
فهرست
ToggleK نزدیکترین همسایه چیست؟
این محصول، به عنوان پروژه آماده الگوریتم knn اکسل* k نزدیکترین همسایه در اکسل K-Nearest Neighbor یا الگوریتم KNN است. KNN بخشی از یادگیری تحت نظارت است که در بسیاری از کاربردها در زمینه داده کاوی، تشخیص الگوی آماری، پردازش تصویر و بسیاری موارد دیگر استفاده شده است.
برخی از برنامه های کاربردی موفق شامل تشخیص دست خط، تصویر ماهواره ای و الگوی EKG هستند. به جای استفاده از نرم افزارهای پیچیده یا هر زبان برنامه نویسی، فقط از توابع صفحه گسترده مایکروسافت اکسل بدون هیچ گونه ماکرو استفاده می کنم. با خرید این آموزش، همراه صفحه گسترده این آموزش را نیز دریافت خواهید کرد.
با دانلود این فایل KNN تحت اکسل در حال حاضر چه چیزی به دست خواهید آورد؟
- فایل اکسل حاوی الگوریتم K-Nearest Neighbor (KNN).
- مثال های عددی نامحدود و بصورت کاملا تصادفی برای KNN (محاسبات اتوماتیک)
- مثال حل KNN برای درونیابی
- چگونه از صفحه گسترده اکسل برای KNN استفاده کنیم؟
- قدرت و ضعف الگوریتم K-نزدیکترین همسایه
توجه : در این فایل تنها کاری که لازم است شما انجام دهید این است که فقط کلید F9 را فشار دهید تا اطلاعات بصورت خودکار تجدید شوند. به عبارت دیگر با زدن کلید F9 بر روی کیبورد، برنامه، تمامی اعداد را تغییر داده و نمودار و اطلاعات جدید را براساس اعداد جدید ترسیم و محاسبه می کند.
K الگوریتم نزدیکترین همسایه
الگوریتم K نزدیکترین همسایه بسیار ساده است. این الگوریتم بر اساس حداقل فاصله از نمونه پرس و جو تا نمونه های آموزشی برای تعیین K-نزدیک ترین همسایگان کار می کند. پس از جمعآوری K نزدیکترین همسایهها، این K-نزدیکترین همسایهها را به عنوان پیشبینی نمونه پرس و جو در نظر میگیریم.
داده های الگوریتم KNN از چندین نام ویژگی چند متغیره تشکیل شده است که برای طبقه بندی استفاده خواهد شد. دادههای KNN میتوانند هر مقیاس اندازهگیری از ترتیبی، اسمی تا مقیاس کمی باشند، اما در حال حاضر اجازه دهید فقط به کمی و دودویی (اسمی) بپردازیم.
بعداً در این بخش نحوه برخورد با سایر انواع مقیاس اندازه گیری را توضیح خواهم داد.
فرض کنید این داده ها را داریم:
آخرین ردیف، همان علامت سوالی که در قسمت پایین شکل بالا می بینید، نمونه پرس و جوی است که می خواهیم پیش بینی کنیم.
نمودار این مسئله در شکل زیر نشان داده شده است.
فرض کنید K = 8 (از 8 نزدیکترین همسایه استفاده خواهیم کرد) را به عنوان پارامتر این الگوریتم تعیین می کنیم. سپس فاصله بین query-instance و تمام نمونه های آموزشی را محاسبه می کنیم. از آنجا که ما فقط از کمی استفاده می کنیم، می توانیم از فاصله اقلیدسی استفاده کنیم.
گام بعدی یافتن K-نزدیکترین همسایگان است. اگر فاصله این نمونه آموزشی تا نمونه پرس و جو کمتر یا مساوی با K-امین کوچکترین فاصله باشد، یک نمونه آموزشی را به عنوان نزدیکترین همسایه در نظر می گیریم. به عبارت دیگر، فاصله تمام نمونه های آموزشی را تا نمونه پرس و جو مرتب می کنیم و حداقل فاصله K-امین را تعیین می کنیم.
اگر فاصله نمونه آموزشی کمتر از K-امین حداقل باشد، دسته Y نمونه های آموزشی این نزدیکترین همسایه ها را جمع آوری می کنیم.
در MS excel، میتوانیم از تابع MS Excel = SMALL (آرایه، K) برای تعیین حداقل مقدار K-امین آرایه استفاده کنیم. یک مورد خاص در مثال ما اتفاق می افتد که فاصله 3 تا 8 حداقل یکسان است.
در این حالت مستقیماً از بالاترین K=8 استفاده می کنیم زیرا انتخاب دلخواه از بین 3 تا 8 نزدیکترین همسایه ناپایدار است.
پیشبینی KNN از نمونه پرس و جو بر اساس اکثریت ساده دسته نزدیکترین همسایگان است. در مثال ما، مقوله فقط باینری است، بنابراین اکثریت را می توان به سادگی شمارش تعداد نشانه های ‘+’ و ‘-‘ در نظر گرفت.
اگر تعداد مثبت بزرگتر از منهای باشد، نمونه پرس و جو را به صورت مثبت و برعکس پیش بینی می کنیم.اگر تعداد مثبت برابر با منهای باشد، می توانیم دلخواه را انتخاب کنیم یا به عنوان یکی از مثبت یا منفی تعیین کنیم.
اگر نمونههای آموزشی شما حاوی دادههای طبقهبندی Y هستند ، اکثریت ساده را در میان این دادهها انتخاب کنید. اگر مقدار کمی است، میانگین یا هر گرایش مرکزی یا مقدار میانگین مانند میانه یا میانگین هندسی را در نظر بگیرید.
البته ما قبلا پروژه آماده الگوریتم knn با پایتون * k نزدیکترین همسایه در پایتون را در سایت سونار وب در اختیار شما عزیزان قرار داده بودیم و بنا به درخواست کاربران عزیز، نسخه ای از اکسل را جهت استفاده شما عزیزان آماده و در سایت قرار دادیم.
پسوند فایل |
زیپ ,zip |
---|---|
پسوند فایل های موجود |
پاورپوینت PowerPoint (pptx) ,اکسل Excel (csv) ,ورد Word (dox) ,پی دی اف Pdf (pdf) ,پایتون ژوپیتر نوت بوک Jupyter Notebooks (ipynb) ,پاورپوینت تصویری PowerPoint Pics (pptx) |
زبان برنامه نویسی |
پایتون ,python |
محیط برنامه نویسی |
ژوپیتر نوت بوک ,Jupyter Notebook ,ویژوال استدیو کد ,vscode |
ورژن پایتون تست شده |
3.9.7 ,3.8.8 ,3.7.11 |
نوع دیتاست |
csv ,اکسل |
تعداد صفحات فایل ورد Word |
توضیحات برای 19 صفحه پاورپوینت |
تعداد صفحات فایل پاورپوینت PowerPoint |
25 صفحه |
تعداد صفحات فایل پی دی اف Pdf |
19 صفحه |
کارمند سونار وب –
دیدگاه درباره پروژه آماده الگوریتم KNN اکسل* K نزدیکترین همسایه در اکسل