การใช้งาน K-NN Algorithm ในภาษา PHP: แนวทางง่าย ๆ พร้อมตัวอย่าง CODE

K-NN Algorithm คืออะไร?

K-Nearest Neighbors (K-NN) เป็นเทคนิคในการทำ Machine Learning ที่มีความเรียบง่ายและเข้าใจได้ง่าย มันสามารถนำไปใช้งานได้หลากหลาย เช่น การจำแนกประเภท (classification), การหาราคาประมาณ (regression), และการใช้งานด้านต่าง ๆ โดยเฉพาะในด้านการวิเคราะห์ข้อมูลหรือการทำเหมืองข้อมูล

หลักการทำงานของ K-NN

K-NN ทำงานโดยการหาจำนวน k ของจุดข้อมูลที่ใกล้เคียงที่สุด (neighbors) กับจุดข้อมูลที่เราต้องการจะทำนาย เมื่อได้ neighbors แล้ว K-NN จะนำผลลัพธ์จาก neighbors มารวมกันเพื่อทำนายประเภทหรือค่าที่ยังไม่ถูกระบุ

วิธีการทำงานอย่างง่าย

ตัวอย่าง CODE K-NN ใน PHP

เราจะดูการสร้างฟังก์ชัน K-NN แบบง่าย ๆ ใน PHP

 <?php

// ฟังก์ชันในการคำนวณระยะ Euclidean
function euclidean_distance($point1, $point2) {
    return sqrt(pow($point1['x'] - $point2['x'], 2) + pow($point1['y'] - $point2['y'], 2));
}

// ฟังก์ชัน K-NN
function k_nearest_neighbors($data, $new_point, $k) {
    $distances = [];

    // คำนวณระยะห่างระหว่าง new point กับแต่ละ point ใน data
    foreach ($data as $index => $point) {
        $distances[$index] = euclidean_distance($point, $new_point);
    }

    // จัดเรียงระยะห่างจากน้อยไปหามาก
    asort($distances);

    // เก็บค่า K ที่ใกล้ที่สุด
    $neighbors = array_slice($distances, 0, $k, true);

    // นับประเภทที่มากที่สุด
    $classes = [];
    foreach ($neighbors as $index => $distance) {
        $classes[$data[$index]['class']] = isset($classes[$data[$index]['class']]) ? $classes[$data[$index]['class']] + 1 : 1;
    }

    // ส่งค่าที่มีจำนวนมากที่สุดกลับ
    arsort($classes);
    return key($classes);
}

// ข้อมูลตัวอย่าง
$data = [
    ['x' => 1, 'y' => 2, 'class' => 'A'],
    ['x' => 2, 'y' => 3, 'class' => 'A'],
    ['x' => 5, 'y' => 4, 'class' => 'B'],
    ['x' => 6, 'y' => 7, 'class' => 'B'],
];

$new_point = ['x' => 1, 'y' => 3];
$k = 3;

$class = k_nearest_neighbors($data, $new_point, $k);
echo "ประเภทที่ทำนายคือ: $class";

?>

อธิบาย CODE ข้างต้น

- ฟังก์ชัน `euclidean_distance` ใช้ในการคำนวณระยะทางระหว่างจุดสองจุด

- ฟังก์ชัน `k_nearest_neighbors` จะรับข้อมูล, จุดใหม่ที่ต้องการทำนาย, และค่า k ซึ่งจะคำนวณระยะห่างและตัดสินใจจาก neighbors ที่ใกล้ที่สุด

- ในตัวอย่าง เรามีจุดข้อมูล 4 จุดที่แบ่งออกเป็นประเภท "A" และ "B" จากนั้นเราทำนายประเภทของจุดใหม่ที่มีค่าพิกัด (1, 3) โดยการหาค่าที่ใกล้เคียงที่สุด k=3

Use Cases จริงในโลก

เรียนรู้เพิ่มเติมที่ EPT

การเข้าใจและใช้งาน K-NN จะช่วยให้คุณสามารถเข้าใจหลักการทำงานของ Machine Learning และสามารถนำไปประยุกต์ใช้ในหลาย ๆ ด้าน หากคุณสนใจเรียนรู้การเขียนโปรแกรมและการทำ Machine Learning อย่างละเอียดมากขึ้น ขอเชิญชวนคุณเข้าสู่ EPT (Expert-Programming-Tutor) ที่นี่เรามีหลักสูตรและอาจารย์ที่จะช่วยให้คุณเพิ่มพูนทักษะทางด้านการเขียนโปรแกรมได้อย่างมืออาชีพ! ลงทะเบียนเลยตอนนี้เพื่อเริ่มต้นการเดินทางในโลกของการพัฒนาโปรแกรมและ Machine Learning!

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