Modul 11 — Cei trei algoritmi ML · Clasa a XII-a

Regresia liniară — dreapta prin puncte

Ore de studiu (x) vs notă (y). Modelul găsește dreapta care trece „cel mai bine" prin puncte (minimizează distanțele). Apoi prezice nota pentru orice număr de ore.

prezice pentru ore = 5

apasă „Antrenează" ca să tragi dreapta prin puncte 👆

Ce a învățat modelul: două numere — panta și intercepția dreptei y = m·x + b. Predicția pentru un x nou e doar înlocuirea în formulă. Regresia dă un NUMĂR (supervizat, regresie).

KNN — spune-mi cine-ți sunt vecinii

Două clase de puncte (🔵 și 🟠). Un punct nou (⬦) e clasificat după votul celor k cei mai apropiați vecini. Mișcă punctul și schimbă k.

clasa Aclasa Bpunct nou

x = 5 y = 5 k = 3

Cum decide: calculează distanța până la toate punctele, ia cele mai apropiate k și votează clasa majoritară. E „cel mai apropiat vecin" din Dijkstra (XI·M07), dus la clasificare. k impar evită egalitatea la vot.

K-means — grupare fără etichete

Nesupervizat: punctele n-au clase. Alegem k=3 centre, apoi repetăm doi pași — atribuie fiecare punct la cel mai apropiat centru, mută centrul în media grupului — până se stabilizează.

Convergență: după câțiva pași, centrele nu se mai mișcă — grupurile s-au stabilizat. K-means descoperă structura (clustere) fără să știe dinainte etichetele. Îl folosești la segmentarea clienților, gruparea documentelor etc.

Verificare rapidă

Șase întrebări despre cei trei algoritmi.

Fișa de sinteză

Cei trei algoritmi, condensat.

Regresia liniară (supervizat): prezice un NUMĂR cu o dreaptă y = m·x + b.

KNN (supervizat): clasifică un punct nou după votul celor k vecini apropiați.

K-means (nesupervizat): grupează în k clustere prin atribuie ↔ mută centrele.

Distanța e cheia la KNN și K-means → de aceea scalăm datele (Modul 10).

k impar la KNN evită egalitatea de voturi.

Regresie vs clasificare: număr vs categorie; ambele sunt supervizate.