Solar System Explorer Game Concept by Shahab Fatemi

 

Dynamic Shopping List for Barbecue Chicken by Shahab Fatemi

 

 

 

 

K-Means Clustering Visualization

K: Data Size: Initialize Previous Step Next Step

How to Use This Visualization

• Set the Value of K: Use the input field labeled “K” to specify the number of clusters you want to create. The default value is 3.
• Set Data Size: Use the “Data Size” input to control how many random data points are generated when you initialize.
• Initialize: Press the “Initialize” button to start the K-means clustering process. This will randomly place K centroids among the data points.
• Next Step: After initializing, press the “Next Step” button to iterate through the K-means algorithm. Each press will perform one step of the algorithm:
  1. Assignment Step: Assign each data point to the nearest centroid.
  2. Update Step: Recalculate the centroids by taking the mean of all data points assigned to each centroid.
• Previous Step: You can use the “Previous Step” button to go back to the previous state of the algorithm. This allows you to review the steps.
• Clear: You can clear the canvas by refreshing the page.

About K-Means Clustering

K-means clustering is a popular unsupervised machine learning algorithm used to partition a dataset into K distinct, non-overlapping subgroups (clusters). The goal is to group similar data points together and discover underlying patterns.

 

 

 

 

نمایش بصری KNN Classification

K: اندازه داده: Initialize افزودن داده قرمز افزودن داده آبی

نحوه استفاده از این نمایش بصری

• مقدار K را تعیین کنید: از قسمت ورودی با برچسب “K” برای تعیین تعداد همسایگانی که می خواهید برای طبقه بندی استفاده کنید، استفاده کنید. مقدار پیش فرض 3 است.
• اندازه داده را تعیین کنید: از قسمت ورودی “اندازه داده” برای کنترل تعداد نقاط داده تصادفی که هنگام مقداردهی اولیه تولید می شوند، استفاده کنید.
• مقداردهی اولیه: دکمه “Initialize” را فشار دهید تا فرآیند طبقه بندی KNN شروع شود. این به طور تصادفی نقاط داده را تولید می کند.
• افزودن نقاط داده:
  • برای افزودن یک نقطه داده قرمز به بوم، روی دکمه “افزودن داده قرمز” کلیک کنید.
  • برای افزودن یک نقطه داده آبی به بوم، روی دکمه “افزودن داده آبی” کلیک کنید.
  • همچنین می توانید مستقیماً روی بوم برای افزودن نقاط داده کلیک کنید. رنگ نقطه با توجه به دکمه “افزودن داده” که آخرین بار کلیک کرده اید تعیین می شود.
• پاک کردن: می توانید بوم را با تازه کردن صفحه پاک کنید.

درباره طبقه بندی KNN

K-Nearest Neighbors (KNN) یک الگوریتم ساده و در عین حال قدرتمند است که برای طبقه بندی استفاده می شود. ایده اصلی این است که یک نقطه داده جدید را بر اساس کلاس اکثریت K نزدیکترین همسایه آن در داده های آموزشی طبقه بندی کنیم.

  داده قرمز   داده آبی

KNN Classification Visualization

K: Data Size: Initialize Add Red Data Add Blue Data

How to Use This Visualization

• Set the Value of K: Use the input field labeled “K” to specify the number of neighbors you want to use for classification. The default value is 3.
• Set Data Size: Use the “Data Size” input to control how many random data points are generated when you initialize.
• Initialize: Press the “Initialize” button to start the KNN classification process. This will randomly generate data points.
• Add Data Points:
  • Click the “Add Red Data” button to add a red data point to the canvas.
  • Click the “Add Blue Data” button to add a blue data point to the canvas.
  • You can also click directly on the canvas to add data points. The color of the point will be determined by which “Add Data” button you last clicked.
• Clear: You can clear the canvas by refreshing the page.

About KNN Classification

K-Nearest Neighbors (KNN) is a simple yet powerful algorithm used for classification. The basic idea is to classify a new data point based on the majority class of its K nearest neighbors in the training data.

Red Data Blue Data