最も近いデータから予測する
「類は友を呼ぶ」という考え方に基づいた手法です。 新しいデータを分類するとき、最も近いk個のデータを見て、多数決で決定します。
例: k=3の場合、最も近い3つのデータのうち2つが「クラス1」なら、新しいデータも「クラス1」と判定します。
どのデータが「近い」かを判断するために、ユークリッド距離を使います。 2点間の直線距離を計算します。
距離 = √((x₁-x₂)² + (y₁-y₂)²)
距離が小さいほど、データは近いことになります。
kは「何個の近傍を見るか」を決めるパラメータです。
通常、奇数を選ぶと同票を避けられます（k=3, 5, 7など）。
キャンバスをクリックしてデータポイントを追加してください。クラス0とクラス1を切り替えながら入力できます。
📝 やること:
💡 ヒント: k-NNは学習が不要で、データをそのまま使って予測します。
kの値を調整して、決定境界がどのように変わるか観察します。
📝 やること:
📏 k値の効果
k=1: 最も近い1つだけを見る → 非常に細かい境界、ノイズに敏感
k=3~7: バランスが良い（推奨） → 適度な滑らかさ
k=15以上: 多数を見る → 非常に滑らかな境界、詳細を失う可能性
新しい点を予測し、最も近いk個のデータを確認します。
📝 やること:
🗳️ k-NNの予測の仕組み
1. すべての訓練データとの距離を計算
2. 距離が近い順にk個を選択
3. k個のデータのクラスを集計し、多数決で決定
4. 同数の場合は、最も近いデータのクラスを採用
✨ 利点:
⚠️ 欠点:
ユークリッド距離:
\[ d = \sqrt{(x_1 - x_2)^2 + (y_1 - y_2)^2} \]
2点間の直線距離を計算します。最も一般的な距離指標です。
データを追加してください
決定境界を表示してください