Курсовая работа_Карзаева_2072

1.

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ
УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «УНИВЕРСИТЕТ «ДУБНА»
ИНСТИТУТ СИСТЕМНОГО АНАЛИЗА И УПРАВЛЕНИЯ
Кафедра системного анализа и управления
ТЕМА: Принятие решений в задаче машинного
обучения на реальных данных с использованием
алгоритма K ближайших соседей
Дисциплина: Теория принятия решений
Автор: Карзаева Ксения Денисовна, группа 2072

2. Актуальность и цель работы

• Актуальность работы связана с тем, что задачи
классификации и автоматического принятия
решений сейчас очень востребованы. Метод K
ближайших соседей выбран за простоту,
наглядность и эффективность.
• Цель работы — классифицировать студентов
по уровню вовлеченности и учебной нагрузки
на три группы: «Перегруженный»,
«Сбалансированный» и «Невовлеченный».

3. Исходные данные

145 студентов, 10 признаков
Целевая переменная — принадлежность студента к
одному из трех классов:
• 1 — «Перегруженный»
• 2 — «Сбалансированный»
• 3 — «Невовлеченный»
Каждому из 145 студентов обучающей выборки был
присвоен один из трёх классов по единому
формальному правилу, учитывающему комбинацию
всех десяти признаков.

4.

…
…

5. Метод K ближайших соседей (K-NN)

• Основы метода были заложены Эвелин
Фикс и Джозефом Ходжесом в 1951 году.
• K-NN представляет собой
непараметрический подход к задачам
классификации, основанный на
предположении, что схожие объекты
должны находиться близко в пространстве
признаков.

6. Нормализация признаков

• Важным аспектом применения алгоритма
является необходимость нормализации
признаков, поскольку алгоритм основан на
вычислении расстояний.
• Признаки с большими числовыми
значениями могут доминировать над
признаками с меньшими значениями, что
искажает результаты классификации.

7. Признаки

Все числа [0; 1]
Признаки

8. Евклидово расстояние

• Для измерения близости объектов использовалось
классическое евклидово расстояние — корень из суммы
квадратов разностей по всем признакам.
d(x, y) = √Σ(xᵢ – yᵢ)²

9.  Параметр K и взвешенное голосование

Параметр K и взвешенное
голосование
Выбор параметра K
• При слишком малом K алгоритм становится
чувствительным к шуму и выбросам. При
слишком большом K в голосовании начинают
участвовать объекты из других классов. В
данной работе использовалось значение K =
13.
Вес i-го соседа
• wᵢ = 1 / (dᵢ + ε)
• Итоговый класс определяется как класс,
набравший максимальную сумму весов.

10. Пример классификации (Студент 146)

• Для каждого тестового студента было
вычислено расстояние до всех 145
студентов обучающей выборки.
• Рассмотрим процесс на примере Студента
146.
• Полученные расстояния были
отсортированы по возрастанию, выбраны
13 ближайших соседей.

11. Результаты голосования (Студент 146)

• Так как сумма весов для класса 1 оказалась
максимальной, Студент 146 был отнесен к
классу «Перегруженный».

12. Если посмотреть 146-го студента по признакам:

Доп. Работа: Нет
Регулярная художественная или спортивная деятельность: Есть
Еженедельные учебные часы: 6-10 ч
Посещение семинаров/конференций по специальности: Да
Посещаемость занятий: всегда
Подготовка к промежуточным экзаменам: всегда
Ведение конспектов на парах: никогда
Внимательность на лекциях: иногда
Вовлеченность в интерактивное взаимодействие на занятиях:
никогда
Средний балл за прошлый семестр (GPA /4.00): 3-3.49

13. И 148-го студента, ставшим «невовлеченным»:

Доп. Работа: Нет
Регулярная художественная или спортивная деятельность: Нет
Еженедельные учебные часы: Нет
Посещение семинаров/конференций по специальности: Да
Посещаемость занятий: никогда
Подготовка к промежуточным экзаменам: всегда
Ведение конспектов на парах: иногда
Внимательность на лекциях: иногда
Вовлеченность в интерактивное взаимодействие на занятиях:
иногда
Средний балл за прошлый семестр (GPA /4.00): 2-2.49

14. Общие результаты классификации

№ Студента
Класс (Результат)
Интерпретация
146
1
Перегруженный
147
2
Сбалансированный
148
3
Невовлеченный
149
1
Перегруженный

15. Заключение

• Метод K ближайших соседей был успешно
реализован и применен для классификации
студентов по уровню вовлеченности и учебной
нагрузки.
• Нормализация исходных данных обеспечила
корректное сравнение всех десяти признаков.
• Метод K ближайших соседей показал себя как
эффективный и наглядный инструмент
классификации в образовательной среде, который
может быть использован для выявления групп
студентов, нуждающихся в корректировке учебной
нагрузки или дополнительной поддержке.