Сравнительный анализ моделей для транскрибирования аудио файлов

Введение

В этом руководстве мы разберем, как работают два популярных алгоритма классификации — k-ближайших соседей (kNN) и взвешенных k-ближайших соседей (kwNN) — на примере набора данных Iris (цветы ириса).

Почему это полезно?

1. kNN — один из самых простых алгоритмов машинного обучения, но он отлично объясняет базовые принципы классификации.
2. kwNN — его улучшенная версия, где соседи учитываются с разным весом.

Мы напишем алгоритмы с нуля, без использования готовых библиотек (вроде `sklearn.neighbors`), чтобы понять, как всё работает внутри.

Подготовка данных

Используем классический набор данных Iris, который содержит информацию о трех видах ирисов:

• Setosa
• Versicolor
• Virginica

Каждый цветок описывается четырьмя признаками, но для простоты мы возьмем только два:

1. Длина лепестка (Petal.Length)
2. Ширина лепестка (Petal.Width)

from sklearn.datasets import load_iris
import numpy as np

iris = load_iris()
features = iris.data[:, 2:4]  # Берём только длину и ширину лепестка
labels = iris.target_names[iris.target]  # Названия видов