شبکه عصبی KNN یک روش برای دسته بندی داده ها بر اساس نزدیک ترین نمونه های آموزش دیده است.این نوع شبکه برای تعیین دسته و خوشه خروجی بر اساس مقایسه نمونه های آموزشی شبیه ترین خوشه به داده آموزشی را می یابد و برچسب می زند.در این روش همه داده های آموزشی در یک فضای الگوی چندبعدی ذخیره می شوند و زمانی که یک نمونه ناشناخته برای تعیین خوشه داده می شود الگوریتم KNN در بین فضای الگو جستجو کرده و از بین نمونه ها نزدیک ترین به داده ناشناخته را یافته و برچسب می زند.نمونه جدید به این شکل دسته بندی می شود که برچسب نمونه ای که نزدیک ترین شکل به نمونه ناشناخته با بیشترین تکرار در بین نمونه های آموزشی باشد را برای نمونه جدید اختصاص می دهد[۱۸].

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

برای یافتن مقدار K بهینه در اجرای مدل بر اساس روش KNN برای یک بازه زمانی خاص مقادیر متفاوت K را بررسی کرده و آن مقدار K که بیشترین دقت را در استخراج برچسب خروجی دارد برای اجرای مدل در نظر گرفته می شود.
جدول ۲۴- نتاِج تغییر مقدار K در روش شبکه عصبی KNN

K

Precision (%)

۱

۴۵٫۰۰% +/- ۲۶٫۹۳%

۲

۵۵٫۰۰% +/- ۲۶٫۹۳%

۳

۵۵٫۰۰% +/- ۲۶٫۹۳%

۴

۶۰٫۰۰% +/- ۳۰٫۰۰%

۵

۵۵٫۰۰% +/- ۲۶٫۹۳%

۶

۴۵٫۰۰% +/- ۲۶٫۹۳%

همانطور که در جدول بالا مشخص است بهینه ترین مقدار K=4 است و برای اجرا و طراحی مدل بر اساس شبکه عصبی KNN از مقدار پیش فرض ۴ برای پارامتر K استفاده می کنیم.زیرا درصد دقت آن بالاتر است.
در مجموعه داده آموزشی یک برچسب هدف به عنوان خوشه مورد نظر از بین سه خوشه A,B,C و با توجه به بازه زمانی خرابی بعدی اختصاص داده شد.سپس با یادگیری مدل مجموعه داده آزمایشی به عنوان ورودی به مدل داده شد و مدل با توجه به آموزش اقدام به پیش بینی و برچسب گذاری خرابی احتمالی نمود. در هر یک از بازه های زمانی ذکر شده مجموعه داده آموزشی و مجموعه داده آزمایشی با تعدادی رکورد برای پیش بینی در نظر گرفته شد.در ادامه جدولی از مجموعه داده آموزشی و آزمایشی را مشاهده می نمایید.
جدول ۲۵- مجموعه داده آموزشی برای بازه زمانی (۱۰-۲۰)

ردیف
fac1
fac2
fac3
fac4
fac5
fac6