Modified K-Nearest Neighbors (MKNN)

Cara Penggunaan

1. Instalasi

   pip install mknn
   

2. Import

   from mknn import MKNN
   

3. Inisialisasi Model

   Buat objek MKNN dengan parameter yang sesuai, seperti jumlah tetangga (n_neighbors) dan metrik jarak (distance):

   mknn = MKNN(n_neighbors=5, distance='euclidean')
   

4. Fit Model

   Fit model menggunakan data pelatihan (X_train) dan label (y_train):

   mknn.fit(X_train, y_train)
   

5. Prediksi

   Lakukan prediksi pada data uji (X_test):

   predictions = mknn.predict(X_test)
   

6. Evaluasi

   Evaluasi performa model dengan menggunakan metrik-metrik evaluasi yang sesuai seperti akurasi:

   accuracy = mknn.score(X_test, y_test)
   

7. Perbandingan dengan KNN Standar

   Untuk membandingkan performa MKNN dengan KNN standar, gunakan fungsi compare_with_knn:

   comparison = mknn.compare_with_knn(X_test, y_test)
   

   Hasilnya akan berupa sebuah dictionary yang berisi akurasi MKNN dan KNN standar.

Workflow

1. Calculate Distance (Train Data)

   Menghitung jarak antar data latih (euclidean/manhattan).

2. Validity

   Apabila label 𝑥 sama dengan label tetangga, maka nilainya adalah 1, dan jika tidak sama, maka nilainya adalah 0.

3. Calculate Distance(Test Data)

   Menghitung Jarak Data uji dengan data latih (euclidean/manhattan).

4. Calculate Weight

   Menghitung bobot dengan persamaan:

   $$ W(x) = Validity(i) {1 \over d(e) + 0.5} $$

Catatan

Pastikan bahwa data yang Anda gunakan telah diproses dengan benar sesuai dengan kebutuhan algoritma.