การใช้งาน K-NN algorithm ในภาษา Java แบบง่ายๆ พร้อมตัวอย่าง

บทความ: โลกแห่งการจำแนกกลุ่มอย่างชาญฉลาดด้วย K-NN Algorithm ในภาษา Java

ในยุคศตวรรษที่ 21 หนึ่งในทักษะที่มีค่ามากที่สุดในโลกของเทคโนโลยีคือการจำแนกและทำนายข้อมูล หนึ่งในเครื่องมือที่มีบทบาทสำคัญในการจัดการกับภารกิจนี้คือ "K-Nearest Neighbors (K-NN) Algorithm" ในภาษา Java ซึ่งเป็นหัวใจของงานวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง (Machine Learning) วันนี้ เราจะพาท่านไปรู้จักกับ K-NN และการใช้งานในภาษา Java เพื่อเป็นหนึ่งในก้าวแรกสู่โลกของการเขียนโปรแกรมที่ชาญฉลาดกันค่ะ!

มารู้จักกับ K-NN

K-Nearest Neighbors หรือ K-NN เป็นอัลกอริทึมการเรียนรู้ภายใต้การดูแล (Supervised learning) ที่ง่ายและมีประสิทธิภาพ มันทำงานบนหลักการซึ่งค่อนข้างจะประหลาดตา: "บอกฉันเพื่อนของคุณคือใคร ฉันจะบอกคุณว่าคุณเป็นใคร" นั่นคือ K-NN จะพิจารณาข้อมูลที่อยู่ใกล้ที่สุด K ตัว และใช้ข้อมูลเหล่านั้นในการทำการทำนายหรือจำแนกกลุ่มสำหรับข้อมูลใหม่ที่เข้ามา

ลงมือปฏิบัติ: K-NN ในภาษา Java

เมื่อทำความรู้จักกับ K-NN ที่น่าสนใจแล้ว ต่อไปเราจะลองมาดูวิธีการเขียนโปรแกรมเพื่อทำ K-NN ด้วยภาษา Java ขอเริ่มจากการอธิบายการทำงานของอัลกอริทึมนี้ในรหัสโปรแกรมตามด้วยตัวอย่าง CODE ที่ท่านสามารถทดลองใช้งานได้จริงค่ะ

วิธีการทำงานของ K-NN

1. รับข้อมูลการฝึกซ้อม (Training Data) และข้อมูลที่ต้องการจำแนกหรือทำนาย (Test Data).

2. กำหนดค่า K ที่กำหนดจำนวน "เพื่อนบ้าน" ที่ใกล้ที่สุดที่จะพิจารณา.

3. สำหรับแต่ละตัวอย่างในข้อมูลทดสอบ:

- คำนวณระยะห่าง (Euclidean, Manhattan, ฯลฯ) ระหว่างตัวอย่างที่ต้องการทำนายกับข้อมูลที่มีอยู่ทั้งหมดในชุดข้อมูลการฝึก.

- จัดเรียงข้อมูลตามระยะห่างโดยน้อยไปหามาก และเลือกข้อมูล K ชิ้นแรก.

- ตัดสินใจแบ่งหมวดหมู่สำหรับข้อมูลทดสอบโดยพิจารณาจากหมวดหมู่ที่ถี่ที่สุดในข้อมูล K ชิ้นนั้น.

ตัวอย่าง Code การใช้ K-NN ใน Java

ต่อไปนี้คือตัวอย่าง CODE ที่ช่วยให้เราเข้าใจวิธีการทำงานของ K-NN ในภาษา Java:

 import java.util.*;

public class KNNClassifier {
    private int k;
    private List<DataPoint> trainingData;

    public KNNClassifier(int k) {
        this.k = k;
        trainingData = new ArrayList<>();
    }

    public void addTrainingData(DataPoint dataPoint) {
        trainingData.add(dataPoint);
    }

    // คำนวณระยะห่าง Euclidean distance
    private double calculateDistance(DataPoint a, DataPoint b) {
        return Math.sqrt(Math.pow(a.x - b.x, 2) + Math.pow(a.y - b.y, 2));
    }

    // จำแนกหมวดหมู่ของสังเกตการณ์ใหม่
    public String classify(DataPoint newPoint) {
        trainingData.sort(Comparator.comparingDouble(a -> calculateDistance(a, newPoint)));

        Map<String, Integer> majorityVote = new HashMap<>();
        for (int i = 0; i < k; i++) {
            DataPoint neighbor = trainingData.get(i);
            majorityVote.merge(neighbor.category, 1, Integer::sum);
        }

        return Collections.max(majorityVote.entrySet(), Map.Entry.comparingByValue()).getKey();
    }

    // สร้างคลาสรองสำหรับการประกาศจุดข้อมูล
    static class DataPoint {
        double x, y;
        String category;

        DataPoint(double x, double y, String category) {
            this.x = x;
            this.y = y;
            this.category = category;
        }
    }

    public static void main(String[] args) {
        KNNClassifier knn = new KNNClassifier(3); // K=3
        // เพิ่มข้อมูลการฝึก
        knn.addTrainingData(new DataPoint(2.0, 3.0, "A"));
        knn.addTrainingData(new DataPoint(5.0, 4.0, "B"));
        knn.addTrainingData(new DataPoint(1.0, 2.0, "A"));
        knn.addTrainingData(new DataPoint(4.0, 4.0, "B"));
        // ทดสอบจำแนกหมวดหมู่
        DataPoint newPoint = new DataPoint(3.0, 3.0, "?");
        String category = knn.classify(newPoint);
        System.out.println("Category of new data point: " + category);
    }
}

ในโค้ดข้างต้น เราสร้างคลาส `DataPoint` เพื่อเก็บข้อมูลจุดและหมวดหมู่ของข้อมูลการฝึก รวมถึงคลาส `KNNClassifier` ที่เป็นใจกลางของ K-NN ซึ่งสามารถเรียนรู้จากข้อมูลการฝึกและทำการจำแนกสำหรับข้อมูลใหม่ได้

Usecase ในโลกจริง

K-NN มีการใช้งานอย่างกว้างขวางในสาขาวิชาที่หลากหลาย เช่น:

การเรียนรู้และทำความเข้าใจกับ K-NN จะช่วยเปิดประตูสู่โลกของการกระจายข้อมูลและจำแนกข้อมูลอย่างมีความหมาย ณ Expert-Programming-Tutor (EPT) เรามีหลักสูตรที่จะนำพาท่านเข้าสู่โลกของอัลกอริทึมเช่นนี้ ไม่ว่าท่านจะเป็นนักเรียนใหม่หรือมืออาชีพที่ต้องการขยายความรู้ด้านนี้ หลักสูตรของเราออกแบบมาเพื่อให้ทุกคนสามารถเข้าถึงและใช้งานได้จริงในตลาดงานของวันพรุ่งนี้ค่ะ

เราขอเชิญทุกท่านมาร่วมเรียนรู้ ทบทวน และประยุกต์ใช้อัลกอริทึมขั้นสูงเช่น K-NN ที่ EPT ประตูสู่อนาคตของการเขียนโปรแกรมที่ไม่มีที่สิ้นสุดกำลังรอท่านอยู่ค่ะ!

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