การใช้งาน K-NN algorithm ในภาษา C++ แบบง่ายๆ พร้อมตัวอย่าง

# การใช้งาน K-NN (K-Nearest Neighbors) Algorithm ในภาษา C++

K-NN หรือ K-Nearest Neighbors เป็นหนึ่งในอัลกอริธึมสำหรับการเรียนรู้ของเครื่อง (Machine Learning) ที่ง่ายและมีประสิทธิภาพสูงในการจำแนกประเภท (Classification) และการทำนายผลลัพธ์ (Regression) ในข้อมูลชุดต่างๆ ซึ่งมีลักษณะของการนำเสนอผลลัพธ์จากการแยกประเภทโดยพิจารณาจาก 'ความใกล้ชิด' ของข้อมูลตัวอย่างที่มีอยู่เป็นหลัก

การทำงานของ K-NN

งานของ K-NN คือการคาดการณ์ประเภทของข้อมูลใหม่โดยอ้างอิงจากข้อมูลที่มีอยู่ในของ K ข้อมูลที่ใกล้ที่สุด หรือ "เพื่อนบ้าน" โดยขั้นตอนการทำงานมีดังนี้:

1. เลือกค่า K ที่เหมาะสมสำหรับขั้นตอนการวิเคราะห์

2. หาความระยะห่างระหว่างข้อมูลที่จะทดสอบกับข้อมูลที่มีอยู่ทั้งหมด ทั่วไปคือการใช้ระยะห่างยูคลิด (Euclidean Distance)

3. ระบุ K ข้อมูลที่ใกล้ที่สุด หรือ K-Nearest Neighbors ตามระยะทางที่ได้คำนวณ

4. ทำการจำแนกประเภทหรือทำนายผลลัพธ์โดยพิจารณาจากหมวดหมู่หรือค่าที่เกิดขึ้นบ่อยที่สุดใน K ข้อมูลนั้น

ตัวอย่าง Code: K-NN ใน C++

ก่อนที่จะเดินหน้าสู่ตัวอย่างโค้ดสำหรับ K-NN ในภาษา C++ เราจำเป็นต้องถือว่าไลบรารีที่เกี่ยวข้องได้ถูกนำมาใช้งานและฟังก์ชันสำหรับการคำนวณระยะห่างได้ถูกสร้างไว้อย่างเหมาะสม ต่อไปนี้คือโค้ดหยาบ ๆ ที่จะแสดงให้เห็นวิธีการประยุกต์ใช้งาน K-NN:

 #include <iostream>
#include <vector>
#include <cmath>
#include <algorithm>

// สมมติว่าเรามีโครงสร้างข้อมูลสำหรับเก็บจุดข้อมูล
struct Point {
    double x, y; // ตัวแปรที่ใช้สำหรับเก็บค่าพิกัด
    int category; // ตัวแปรสำหรับหมวดหมู่ของจุดข้อมูล
    double distance; // ตัวแปรสำหรับเก็บระยะห่างจากจุดที่จะทำนาย

    // คำนวณระยะห่างยูคลิด
    void calculateDistance(Point p) {
        distance = sqrt(pow(x - p.x, 2) + pow(y - p.y, 2));
    }

    // Operator overloading สำหรับการเรียงลำดับ
    bool operator<(const Point& p) const {
        return distance < p.distance;
    }
};

// ฟังก์ชันเพื่อกำหนดหมวดหมู่ของจุดข้อมูลใหม่
int classifyAPoint(std::vector<Point>& points, int n, int k, Point p) {
    // คำนวณระยะห่างจากจุดที่จะทำนายถึงทุกจุดในข้อมูลที่มี
    for (int i = 0; i < n; ++i) {
        points[i].calculateDistance(p);
    }

    // เรียงลำดับข้อมูลตั้งแต่ระยะทางที่น้อยไปมาก
    std::sort(points.begin(), points.end());

    // นับจำนวนครั้งของหมวดหมู่ที่อยู่ใกล้ที่สุด k จุด
    int category1_count = 0; // หมวดหมู่ที่ 1
    int category2_count = 0; // หมวดหมู่ที่ 2
    for (int i = 0; i < k; ++i) {
        if (points[i].category == 1)
            ++category1_count;
        else
            ++category2_count;
    }

    // ส่งคืนหมวดหมู่ที่มีจำนวนเพื่อนบ้านที่มากที่สุด
    return (category1_count > category2_count) ? 1 : 2;
}

int main() {
    // สร้างชุดข้อมูลตัวอย่าง (ในที่นี้คือชุดข้อมูลจุด 2 มิติ)
    std::vector<Point> dataset = {
        {1.0, 1.2, 1}, {1.1, 1.0, 1}, {0.9, 1.1, 1},
        {2.0, 2.1, 2}, {2.1, 2.0, 2}, {2.2, 2.2, 2}
    };

    // จุดข้อมูลที่ต้องการทำนายหมวดหมู่
    Point p = {1.5, 1.5};

    // กำหนดจำนวนเพื่อนบ้าน (k)
    int k = 3;
    int n = dataset.size();

    // ทำนายหมวดหมู่ของจุดข้อมูลใหม่
    std::cout << "The category of the point is: " << classifyAPoint(dataset, n, k, p) << std::endl;

    return 0;
}

Usecase ในโลกจริง์

ในด้านการศึกษา, K-NN สามารถนำไปใช้งานในหลากหลายสถานการณ์ ตัวอย่างเช่น:

การสร้างความเข้าใจในอัลกอริธึมพื้นฐานอย่าง K-NN นั้นมีความสำคัญอย่างยิ่ง เพราะเป็นพื้นฐานที่จะพาเราไปสู่การศึกษาซอฟต์แวร์และอัลกอริธึมที่ซับซ้อนมากยิ่งขึ้น ที่ Expert-Programming-Tutor (EPT), เรามุ่งมั่นที่จะสนับสนุนนักเรียนของเราให้รู้จักและขยายความรู้ด้านการเขียนโค้ดเพื่อแก้ปัญหาเชิงคำนวณที่หลากหลาย หากคุณพร้อมที่จะเริ่มต้นการผจญภัยในโลกของการเขียนโปรแกรม มาเรียนรู้ไปด้วยกันกับเราที่ EPT ที่นี่เราจะนำคุณไปสัมผัสประสบการณ์การเรียนรู้ที่ท้าทายและสนุกสนาน!

หมายเหตุ: ข้อมูลในบทความนี้อาจจะผิด โปรดตรวจสอบความถูกต้องของบทความอีกครั้งหนึ่ง บทความนี้ไม่สามารถนำไปใช้อ้างอิงใด ๆ ได้ ทาง EPT ไม่ขอยืนยันความถูกต้อง และไม่ขอรับผิดชอบต่อความเสียหายใดที่เกิดจากบทความชุดนี้ทั้งทางทรัพย์สิน ร่างกาย หรือจิตใจของผู้อ่านและผู้เกี่ยวข้อง