关于KNN的问题，求各位大神帮忙

目前想利用scikit learn 做一个PCB数据相似度比对的模型，透过KNN找出新物体与以往最相似的物体。
数据内容 ：

名字	层总数	尺寸大小	层别	材料	属性	厚度	代码	层别	材料.....
A	8	24 X 20	2/3	IT888	S/P	11	030	4/5	IT888......
B	12	22 X 24	2/3	IT777	S/P	5.5	021	4/5	IT777.....

......

说明：数据清洗的阶段如上，一个数据有一个主要名字，总共有几层，它的尺寸，然后有每一层的内容。
问题询问 ：
1.除主资料外又有很多附属属性（各层别的内容信息），所以摸不着头绪该如何处理 ？ 当前想到的是针对字符串的字段都用 onehot encoder ？
2.能否分割数据直接变成，2/3层 一行 、4/5数据一行，再丢进模型里去训练 ？
3.是否有更好的模型与方法能建立数据相似度模型 ?

想请各位大神，协助解开这个困扰半个月的难题~~~~

CS小新手想上岸 发表于 2022-11-23 18:36
如大大所说，层数、大小可能先用bayes 先分类较好。
目前先缩小范围，只拿总层数为8层且大小相同的资料 ...

是否不适合用KNN 反而用k means会好一点

这就是我之前的回答呀，直接抛弃KNN用decision tree或者bayes一个模型出结果不行吗。K-means也不能直接适用于categorical input

zhouxf53 发表于 2022-11-22 14:31
categorical input的话要不要考虑下decision tree或者直接naive bayes
KNN需要你定义category之间的distan ...

如大大所说，层数、大小可能先用bayes 先分类较好。
目前先缩小范围，只拿总层数为8层且大小相同的资料进行训练比对。
材料 → 91种  ;  属性 → 4 种
厚度 → 3 种   ;  胶片代码 → 30~100种

是否需要2/3 层的 与 4/5 层的 6/7 层的分开模型分类 ?
从资料上来看似乎没有设为标签的项目.....是否不适合用KNN 反而用k means会好一点 ?
如果要维持使用KNN 想问标签设什么会比较好 ?

关键是如何定义相似度，层数不同的情况下，相似度怎么定义，还有不同的材料，相似度是不是一样。定义了相似度之后，问题就清楚了。

Ribosome_25 发表于 2022-11-22 10:44
关键是如何定义相似度，层数不同的情况下，相似度怎么定义，还有不同的材料，相似度是不是一样。定义了相似 ...

先决条件应该是外部层数相同，再以资料内层内容不同做相似度比较。
有思考过，是否需要训练多个模型。比如八层、十层、十二层各独立一个模型 ?
再用if判断式设立先决条件，依层数、尺寸等 ，决定投入哪个模型。

categorical input的话要不要考虑下decision tree或者直接naive bayes
KNN需要你定义category之间的distance，譬如如何能做到材料类型之间的距离和你形状之间的距离是等效的

zhouxf53 发表于 2022-11-24 12:06
是否不适合用KNN 反而用k means会好一点

这就是我之前的回答呀，直接抛弃KNN用decision tree或者bayes ...

好的  另外，在研究decision tree , random forest ，最后似乎需要一个分类结果作为特征，例如：是否、对错、好坏，但从原始资料好像找不到一个可以设为二分法的特征。有这样的情况如何解决呢？