การใช้งาน K-NN algorithm ในภาษา C# แบบง่ายๆ พร้อมตัวอย่าง

บทความ: การใช้งาน K-NN Algorithm ในภาษา C# อย่างชาญฉลาด

ปัจจุบันโลกของการพัฒนาซอฟต์แวร์กำลังเดินหน้าไปอย่างรวดเร็ว และหนึ่งในทักษะที่น่าสนใจสำหรับนักพัฒนาซอฟต์แวร์คือการใช้งานอัลกอริธึมสำหรับ machine learning หนึ่งในอัลกอริธึมที่ได้รับความนิยมคือ K-Nearest Neighbors (K-NN) ซึ่งเป็นวิธีง่ายๆในการจำแนกประเภทข้อมูล หรือทำการพยากรณ์ (classification or regression) โดยอาศัยความใกล้ชิดของข้อมูลกลุ่มหนึ่ง ภายในบทความนี้เราจะมาทำความเข้าใจถึงการทำงานและการใช้งาน K-NN ในภาษา C# พร้อมทั้งแนะนำ usecases ที่ใช้งานได้จริง

อธิบาย K-NN Algorithm

K-NN คืออัลกอริธึมการเรียนรู้ของเครื่องที่สามารถจำแนกประเภทหรือทำนายค่าโดยดูจากความใกล้ชิดของข้อมูลใน feature space พูดง่ายๆคือ มองว่าข้อมูลที่มีคุณลักษณะคล้ายๆกันจะมีผลลัพธ์ที่ใกล้เคียงกัน เราจะใช้ k คือจำนวนของ "เพื่อนบ้าน" ที่ใกล้ที่สุดในการทำนายผลลัพธ์

ทำไมต้องเรียนรู้ K-NN?

K-NN มีความเป็นอัตนัยสูง จัดการกับข้อมูลหลายมิติได้ดี และมีความง่ายในการเข้าใจและใช้งาน ทำให้เป็นที่นิยมใช้ในหลากหลายสาขา ตั้งแต่การแยกประเภทข้อความ (text classification), การจำแนกภาพ (image recognition), ไปจนถึงการพยากรณ์ข้อมูลทางการเงิน

Usecase ในโลกจริง

ตัวอย่าง CODE ใน C#

เราจะมาเริ่มต้นด้วยการสร้าง class ของ K-NN ในภาษา C# กัน:

 using System;
using System.Collections.Generic;
using System.Linq;

public class KNearestNeighbors
{
    private int k;

    public KNearestNeighbors(int k)
    {
        this.k = k;
    }

    public string Classify(double[][] trainData, string[] outcomes, double[] newPoint)
    {
        var distances = new List<Tuple<double, string>>();

        for (int i = 0; i < trainData.Length; i++)
        {
            double distance = CalculateDistance(trainData[i], newPoint);
            distances.Add(new Tuple<double, string>(distance, outcomes[i]));
        }

        var sortedDistances = distances.OrderBy(x => x.Item1).Take(k);

        var voting = new Dictionary<string, int>();
        foreach (var distance in sortedDistances)
        {
            if (voting.ContainsKey(distance.Item2))
            {
                voting[distance.Item2]++;
            }
            else
            {
                voting[distance.Item2] = 1;
            }
        }

        return voting.OrderByDescending(v => v.Value).First().Key;
    }

    private double CalculateDistance(double[] point1, double[] point2)
    {
        double sum = 0.0;
        for (int i = 0; i < point1.Length; i++)
        {
            sum += Math.Pow(point1[i] - point2[i], 2);
        }
        return Math.Sqrt(sum);
    }
}

ต่อไปนี้เป็นตัวอย่างการใช้งาน class ที่เราสร้างขึ้น:

 double[][] trainData = new double[][]
{
    new double[] {1, 2, 3},
    new double[] {5, 4, 2},
    new double[] {1, 5, 4}
};
string[] outcomes = new string[] {"Negative", "Positive", "Negative" };

double[] newPoint = new double[] {1, 2, 4};

KNearestNeighbors knn = new KNearestNeighbors(3);
string result = knn.Classify(trainData, outcomes, newPoint);

Console.WriteLine($"The new data point was classified as: {result}");

จากตัวอย่างโค้ดข้างต้น เราได้สร้างโมเดล K-NN กับข้อมูลการฝึกเพื่อจะทำนายว่าจุดข้อมูลใหม่มีการจำแนกเป็น "Positive" หรือ "Negative" เราใช้ค่า k ที่ 3 ซึ่งหมายความว่าเราจะพิจารณาจาก 3 ข้อมูลที่ใกล้ที่สุด

ทำไมเราควรเรียนรู้ที่ EPT (Expert-Programming-Tutor)?

ที่ EPT, เรามีคอร์สเรียนรู้เกี่ยวกับ Machine Learning พร้อมกับการใช้งานอัลกอริธึมที่หลากหลายภายในภาษา C# คุณจะได้เรียนรู้ไม่แค่ทฤษฎี แต่ยังรวมถึงการประยุกต์ใช้ในโลกจริงด้วยตัวอย่างและการฝึกปฏิบัติจริง และนั่นอาจเป็นก้าวแรกที่จะนำคุณไปสู่การเป็นนักพัฒนาซอฟต์แวร์ระดับมืออาชีพได้

การเรียนรู้จะไม่มีที่สิ้นสุดหากคุณพร้อมที่จะเติบโตและเรียนรู้สิ่งใหม่ๆ เริ่มต้นเส้นทางของคุณในวงการ Machine Learning ด้วยหลักสูตรที่ EPT และสัมผัสความเป็นไปได้ที่ไม่มีขอบเขตของการพัฒนาซอฟต์แวร์ในวันนี้!

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