Professional Documents
Culture Documents
Naive Bayes KNN
Naive Bayes KNN
Sprawozdanie 2
Paweł Kaim
Zadanie 1.
Ponieważ dla wszystkich trzech przypadków obliczane jest prawdopodobieostwo przynależności dla
klasy diabetes = 1 (dalej oznaczaną jak D1) tylko raz obliczamy P(D1)
( )
( | ) ( | ) ( | ) ( | )
( | )
( | ) ( | ) ( | ) ( | ) ( | )
( | ) ( | ) ( | ) ( | ) ( | )
Dla :
( | )
( | )
( | )
( | )
( | ) 78 = 0,23
Dla :
( | )
( | )
( | )
( | )
( | ) 78 = 0
Dla :
( | ) ,44
( | )
( | )
( | )
( | ) 78 = 0,05
( | ) ( )
( | ) ( )
( | ) ( )
Zadanie 2.
Korzystając z algorytmu kNN oraz podanych danych wykonaj obliczenia aby odpowiedzied na pytanie:
„Jaka będzie klasa dla obiektu X: BP = 3; weight = 3; FH = 1; age = 2” gdy założymy że miarą odległości
będzie odległośd euklidesowa oraz że k=5.
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
( ) √( ) ( ) ( ) ( )
Ostatnim krokiem jest stworzenie zbiorów dla każdej z klas decyzyjnych ze zbioru określonego
wcześniej.
* +
* +
Wybierany jest najliczniejszy zbiór więc odpowiedzią na postawione w treści zadania pytanie jest
klasa diabetes = 1.