అల్గారిథమ్‌లు వివరించబడ్డాయి

అల్గారిథమ్ 2: K-Nearest Neighbors (KNN) 🏘️

KNN "మీ పొరుగువాళ్ళను అడగండి" అల్గారిథమ్. సారూప్యమైన విషయాలు దగ్గరగా ఉంటాయి.

అంతర్దృష్టి

మీరు కొత్త నగరానికి వెళ్ళి మంచి రెస్టారెంట్ కావాలనుకుంటే ఏం చేస్తారు? మీ సమీపంలోని పొరుగువాళ్ళను అడుగుతారు! 5 లో 3 మంది ఇటాలియన్ సూచిస్తే, మీరు ఇటాలియన్ ట్రై చేస్తారు.

KNN అదే విధంగా పనిచేస్తుంది:

1. కొత్త, తెలియని డేటా పాయింట్ తీసుకోండి
2. ట్రైనింగ్ డేటాలో K సమీపంలోని పాయింట్లు కనుగొనండి
3. ఆ పొరుగువాళ్ళను ఓటు వేయనివ్వండి
4. మెజారిటీని అనుసరించండి

K ఎంచుకోవడం

• K చాలా చిన్నది (ఉదా. K=1) → శబ్దానికి సున్నితం
• K చాలా పెద్దది (ఉదా. K=100) → చాలా సాధారణం
• సరైన చోటు → K=3, 5 లేదా 7 సాధారణంగా బాగా పనిచేస్తుంది. ఎల్లప్పుడూ బేసి సంఖ్య!

from sklearn.neighbors import KNeighborsClassifier

# K=5 తో KNN మోడల్ సృష్టించి ట్రైన్ చేయండి
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)

# కొత్త డేటాపై అంచనా వేయండి
prediction = knn.predict(X_test)
print(f"ఖచ్చితత్వం: {knn.score(X_test, y_test):.2%}")

అల్గారిథమ్ 3: లీనియర్ రిగ్రెషన్ 📈

లీనియర్ రిగ్రెషన్ డేటా పాయింట్ల ద్వారా ఒక రేఖ గీయడం. సంఖ్యను (వర్గం కాదు) అంచనా వేయడానికి ఉపయోగిస్తారు.

అంతర్దృష్టి

ఎంత ఎక్కువ గంటలు చదివితే, సాధారణంగా అంత ఎక్కువ మార్కులు. గ్రాఫ్‌పై ఇది పైకి వెళ్తున్నట్లు కనిపిస్తుంది. లీనియర్ రిగ్రెషన్ ఆ పాయింట్ల ద్వారా అత్యుత్తమ రేఖ గీస్తుంది.

సమీకరణం

y = mx + b

• y = మనం అంచనా వేస్తున్నది (టెస్ట్ స్కోర్)
• x = ఇన్‌పుట్ (చదివిన గంటలు)
• m = వాలు (రేఖ ఎంత వాలుగా ఉంది)
• b = ఇంటర్‌సెప్ట్ (రేఖ y-అక్షాన్ని ఎక్కడ కలుస్తుంది)

from sklearn.linear_model import LinearRegression
import numpy as np

# చదివిన గంటలు మరియు టెస్ట్ స్కోర్లు
hours = np.array([1, 2, 3, 4, 5, 6, 7, 8]).reshape(-1, 1)
scores = np.array([20, 35, 45, 55, 65, 75, 82, 90])

# మోడల్ ఫిట్ చేయండి
model = LinearRegression()
model.fit(hours, scores)

# 5.5 గంటలకు స్కోర్ అంచనా
predicted = model.predict([[5.5]])
print(f"5.5 గంటలకు అంచనా స్కోర్: {predicted[0]:.1f}")

ఎప్పుడు పనిచేస్తుంది - మరియు ఎప్పుడు పనిచేయదు

• ✅ సంబంధం దాదాపు నేరుగా రేఖ అయినప్పుడు బాగుంటుంది
• ✅ వేగవంతమైనది, సరళమైనది, అర్థం చేసుకోవడం సులువు
• ❌ సంబంధం వక్రమైనది లేదా సంక్లిష్టమైనప్పుడు చెడ్డది
• ❌ అవుట్‌లయర్లకు సున్నితం

ఏ అల్గారిథమ్ ఎంచుకోవాలి? 🧭

| ప్రశ్న | డెసిషన్ ట్రీ | KNN | లీనియర్ రిగ్రెషన్ | |--------|:---:|:---:|:---:| | వర్గం అంచనా? | ✅ | ✅ | ❌ | | సంఖ్య అంచనా? | ✅ | ✅ | ✅ | | నిర్ణయం వివరించాలా? | ✅✅ | ❌ | ✅ | | చాలా పెద్ద డేటాసెట్? | ✅ | ❌ | ✅ | | లీనియర్ సంబంధం? | ❌ | ❌ | ✅✅ |

ఇంటరాక్టివ్: సినిమా రికమెండర్ నిర్మించండి 🎬

సినిమాలు సిఫార్సు చేయడానికి సాధారణ డెసిషన్ ట్రీ నిర్మించండి!

మీకు ఫన్నీగా ఏదైనా కావాలా?
├── అవును → యానిమేషన్ సినిమాలు ఇష్టమా?
│   ├── అవును → చూడండి "Inside Out 2" 🎭
│   └── కాదు → చూడండి "The Grand Budapest Hotel" 🏨
└── కాదు → యాక్షన్ ఇష్టమా?
    ├── అవును → సూపర్‌హీరోలు ఇష్టమా?
    │   ├── అవును → చూడండి "Spider-Man: Across the Spider-Verse" 🕷️
    │   └── కాదు → చూడండి "Top Gun: Maverick" ✈️
    └── కాదు → నిజమైన కథ కావాలా?
        ├── అవును → చూడండి "Hidden Figures" 🚀
        └── కాదు → చూడండి "Interstellar" 🌌

def recommend_movie(funny, animated, action, superhero, true_story):
    if funny:
        if animated:
            return "Inside Out 2 🎭"
        else:
            return "The Grand Budapest Hotel 🏨"
    else:
        if action:
            if superhero:
                return "Spider-Man: Across the Spider-Verse 🕷️"
            else:
                return "Top Gun: Maverick ✈️"
        else:
            if true_story:
                return "Hidden Figures 🚀"
            else:
                return "Interstellar 🌌"

print(recommend_movie(funny=False, animated=False,
                      action=True, superhero=True,
                      true_story=False))

సారాంశం 🎯

1. అల్గారిథమ్ సమస్యను పరిష్కరించే స్టెప్-బై-స్టెప్ ప్రక్రియ
2. డెసిషన్ ట్రీలు అవును/కాదు ప్రశ్నలు అడుగుతాయి - వివరించగలిగేవి మరియు దృశ్యమానం
3. KNN K సమీపంలోని పొరుగువాళ్ళను ఓటు వేయించి వర్గీకరిస్తుంది
4. లీనియర్ రిగ్రెషన్ సంఖ్యలు అంచనా వేయడానికి రేఖ గీస్తుంది
5. ఏ అల్గారిథమ్ సార్వత్రికంగా అత్యుత్తమం కాదు - మీ డేటా ఆధారంగా ఎంచుకోండి
6. నిజమైన AI సిస్టమ్‌లు తరచుగా అనేక అల్గారిథమ్‌లను కలుపుతాయి

తదుపరి ఏమిటి? 🚀

మీరు ఇప్పుడు మూడు క్లాసిక్ అల్గారిథమ్‌లను కలిశారు. తదుపరి పాఠంలో మనం న్యూరల్ నెట్‌వర్క్‌లు అన్వేషిస్తాం - ఆధునిక AI విజయాల వెనుక ఉన్న మెదడు-ప్రేరిత అల్గారిథమ్‌లు! 🧠