O seguinte código Python utiliza o algoritmo KNN (k-ne...

Quando n_neighbors é um número par, há uma maior chance de que o número de vizinhos de cada classe seja igual.

b-

pode rodar num notebook do google colab:

from sklearn.neighbors import KNeighborsClassifier

X = [[0], [1], [2], [3]]

y = [0, 0, 1, 1]

neigh = KNeighborsClassifier (n_neighbors=4)

neigh.fit (X, y)

print (neigh.predict([[1]]))

print (neigh.predict_proba([[0.9]]))

as classes estao representadas na var y, sendo 0 e 1. o dataset esta na var x, sendo features em observações. sao 1 atributo por row

pelo aspecto unidimensional do modelo, a distancia euclidiana é resumida à diferença entre o novo data point e os existentes, resultando nas distancias:

0 (class 0)

0 (class 0)

1 (class 1)

4 (class 1)

logo, para k=3, a proximidade indica class 0 | print predict([1]), com predict_proba 1/3 para classe 1 e 2/3 para classe 0. com k=4, a predição ainda é 0, mas com predict_proba dividido 1/2 a 1/2 devido ao n° de instancias pares.