Змейка под управлением k-nearest neighbors

Расскажу про идею змейки. Разметим данные для искусственного интеллекта. Узнаем на сколько хорошо справиться с управлением змейкой самый простой и самый медленный алгоритм машинного обучения - K-nearest neighbors. Попытаемся улучшить управление путём перебалансировки классов методами Random Sampling и SMOTE. Всё это замешаем со скользящим контролем и оптимизацией гиппер-параметра. И, конечно же, оценим важность признаков. Куда без этого в змейке? 0:00 Приветствие 1:00 Описание реализации алгоритма KNN и вспомогательные алгоритмы. Первая шутка на канале. 2:05 Идея змейки 3:57 Разметка данных. Вторая шутка. 3:15 Чтение и предобработка разметки. Оптимизация K. 8:30 Первый запуск змейки на KNN 9:55 Оценка важности признаков 10:53 Перебалансировка классов 11:55 Запуск змейки на перебалансированных наблюдениях 12:05 Генерация новых наблюдений методом SMOTE. Оптимизация соседей. 13:40 Запуск змейки после генерации SMOTE 15:15 Остаться в живых. 5 змеек на одном поле. Битва KNN. Этот и другой код по ML на GitHub https://github.com/tka400