การใช้งาน K-NN algorithm ในภาษา JavaScript แบบง่ายๆ พร้อมตัวอย่าง

# การใช้งาน K-NN Algorithm ในภาษา JavaScript สำหรับมือใหม่พร้อมตัวอย่างโค้ด

คุณเคยสงสัยไหมว่าเว็บไซต์ต่างๆสามารถแนะนำสินค้าหรือบริการที่ตรงกับความต้องการของเราได้อย่างไร? หรือแอปพลิเคชั่นทางการแพทย์ที่สามารถแยกแยะโรคต่างๆ เพียงจากการวิเคราะห์ข้อมูล นั่นคือผลงานของ Machine Learning และหนึ่งในเทคนิคที่ใช้บ่อยคือ K-NN หรือ K-Nearest Neighbors Algorithm นั่นเองครับ!

ในบทความนี้เราจะมาทำความรู้จักกับ K-NN Algorithm พร้อมด้วยตัวอย่างโค้ดในภาษา JavaScript เบื้องต้น 3 ตัวอย่าง และเราจะสามารถเห็น usecase ของมันในโลกจริงผ่านตัวอย่างที่นำเสนอด้วย

K-NN คืออะไร?

K-NN หรือ K-Nearest Neighbors เป็นหนึ่งในเทคนิคพื้นฐานของการเรียนรู้ของเครื่อง (Machine Learning) ที่ใช้ในการจำแนกประเภท (classification) หรือการทำนายผลลัพธ์ (regression) ของข้อมูลที่โดยพิจารณาจาก 'k' ข้อมูลที่มีความเหมือนกันสูงที่สุด (Nearest Neighbors) ที่อยู่ใกล้เคียงกับข้อมูลใหม่ที่เราต้องการประมวลผล

ตัวอย่างโค้ด 1: K-NN สำหรับการจำแนกประเภทข้อมูล

 // เราต้องการจำแนกประเภทของผลไม้ว่าเป็น "แอปเปิ้ล" หรือ "กล้วย" จากความหวานและความแข็ง
let fruits = [
  { sweetness: 9, hardness: 4, type: 'Apple' },
  { sweetness: 10, hardness: 1, type: 'Banana' },
  // ... เพิ่มข้อมูลผลไม้เพิ่มเติมที่นี่
];

function calculateDistance(data1, data2) {
  let distance = Math.sqrt(
    Math.pow(data1.sweetness - data2.sweetness, 2) +
    Math.pow(data1.hardness - data2.hardness, 2)
  );
  return distance;
}

function kNearestNeighbors(data, query, k) {
  let distances = [];

  data.forEach((d) => {
    distances.push({ distance: calculateDistance(d, query), type: d.type });
  });

  distances.sort((a, b) => a.distance - b.distance);

  let neighbors = distances.slice(0, k);
  let apple_neighbors = neighbors.filter((n) => n.type === "Apple").length;
  let banana_neighbors = k - apple_neighbors;

  return apple_neighbors > banana_neighbors ? "Apple" : "Banana";
}

// ตัวอย่างการทำนายผลไม้ที่มีความหวาน 8 ความแข็ง 3
let query = { sweetness: 8, hardness: 3 };
console.log(kNearestNeighbors(fruits, query, 3)); // ปริ้น "Apple" หรือ "Banana" ตามความใกล้ชิดของข้อมูล

ในโค้ดนี้เราพัฒนาฟังก์ชั่น `calculateDistance` เพื่อคำนวณระยะห่างระหว่างข้อมูล และ `kNearestNeighbors` เพื่อใช้ K-NN Algorithm ในการทำนายประเภทของผลไม้

ตัวอย่างโค้ด 2: K-NN สำหรับการแนะนำสินค้า

 // สมมติว่าเรามีข้อมูลการให้คะแนนสินค้าหลายชิ้นโดยลูกค้า
let products = [
  { quality: 7, reviewScore: 8, userPurchased: true },
  { quality: 6, reviewScore: 5, userPurchased: false },
  // ... เพิ่มข้อมูลสินค้าอื่นๆ
];

function recommendProducts(products, query, k) {
  // ใช้โค้ด K-NN ที่เขียนไว้ข้างต้นเพื่อออกแบบการแนะนำสินค้า
  // เปลี่ยนเงื่อนไขและพารามิเตอร์ต่างๆ ให้เหมาะสมกับการใช้งานสินค้า
  // เราสามารถออกแบบฟังก์ชั่นที่คล้ายกันเพื่อให้แนะนำสินค้าตามการให้คะแนนและคุณภาพ
}

// หากมีสินค้าใหม่เข้ามา เราสามารถทำนายว่าควรจะขายผ่านการประเมินจากลูกค้าว่าน่าจะซื้อหรือไม่

โค้ดนี้เป็นแนวทางเบื้องต้นในการใช้ K-NN ต่อยอดในโปรเจ็กต์ของคุณ

ตัวอย่างโค้ด 3: K-NN สำหรับการทำนายอาการป่วย

 // สร้างข้อมูลการวินิจฉัยผู้ป่วยจากอาการต่างๆ
let patientRecords = [
  { fever: 102, cough: 'severe', diagnosed_with: 'Flu' },
  // ... เพิ่มข้อมูลผู้ป่วยอื่นๆ
];

// ใช้ K-NN เพื่อวิเคราะห์และทำนายอาการป่วยตามประวัติของผู้ป่วยที่มีอาการใกล้เคียงที่สุด
function predictIllness(records, query, k) {
  // ปรับใช้คล้ายๆ กับตัวอย่างโค้ด 1 และ 2
  // ผลลัพธ์ที่ได้จะช่วยให้การวินิจฉัยง่ายขึ้นและรวดเร็วขึ้น
}

// คุณหมอจะสามารถใช้ข้อมูลการวินิจฉัยเพื่อช่วยในการทำนายการรักษาสำหรับผู้ป่วยใหม่

การนำ K-NN ไปใช้กับข้อมูลผู้ป่วยเป็นอีกหนึ่งตัวอย่างที่แสดงให้เห็นถึงประโยชน์ของอัลกอริทึมนี้ในการช่วยทำนายโรคได้รวดเร็วและแม่นยำขึ้น

Usecase ทางการตลาดและจริง

ในด้านการตลาด, K-NN สามารถนำไปใช้เพื่อออกแบบระบบแนะนำสินค้าที่ตรงกับความสนใจของลูกค้า อาทิเช่นการแนะนำสินค้าเกี่ยวกับเสื้อผ้าหรือหนังสือที่คล้ายคลึงกับที่ลูกค้าเคยซื้อหรือค้นหามาก่อน ส่วนในโลกการแพทย์ K-NN ช่วยให้การวินิจฉัยโรคเป็นไปอย่างรวดเร็ว เช่น การวิเคราะห์ข้อมูลการตรวจเลือดเพื่อทำนายอาการพัฒนาของโรค

สรุปและการเชิญชวน

K-NN เป็นวิธีการที่ทรงประสิทธิภาพและง่ายต่อการใช้งาน ไม่ว่าจะเป็นในสาขาอะไรก็ตามที่ต้องการวิเคราะห์ข้อมูล โดยเฉพาะการเรียนรู้ของเครื่องในการพัฒนา AI หากคุณกำลังสนใจเรื่องการเขียนโปรแกรมและ Machine Learning อย่าลืมติดต่อ EPT เพื่อเริ่มต้นเรียนรู้เทคนิคและการเขียนโปรแกรมได้ตั้งแต่วันนี้ เพื่อนำไปสู่อาชีพในฝันของคุณในอนาคตครับ!

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