การใช้งาน K-NN Algorithm ในภาษา Fortran แบบง่ายๆ

K-Nearest Neighbors หรือ K-NN เป็นหนึ่งในอัลกอริธึมที่ใช้ในการจำแนกประเภทที่ง่ายและมีประสิทธิภาพ ซึ่งมักถูกใช้ในงานทางด้านการเรียนรู้ของเครื่อง (Machine Learning) โดยเฉพาะในชุดข้อมูลที่มีขนาดเล็กหรือข้อมูลที่สามารถเข้าใจได้ง่าย สำหรับวันนี้ เราจะมาดูวิธีการใช้ K-NN โดยใช้ภาษา Fortran ซึ่งเป็นภาษาที่มีชื่อเสียงในด้านการคำนวณทางวิทยาศาสตร์และวิศวกรรม

วิธีการทำงานของ K-NN

K-NN เป็นอัลกอริธึมที่ทำงานโดยการจำแนกประเภทข้อมูล โดยจะพิจารณา ‘K’ จุดข้อมูลที่ใกล้เคียงที่สุด (nearest neighbors) กับจุดข้อมูลที่ต้องการจำแนกประเภท จากนั้นจะทำการคำนวณว่าแต่ละประเภทมีจำนวนเท่าไรใน K จุดข้อมูลใกล้เคียงเหล่านั้น และในที่สุดจะเลือกประเภทที่มีจำนวนมากที่สุดเป็นประเภทสุดท้ายของจุดข้อมูลนั้น

วัสดุและข้อมูลจำเป็น

ก่อนที่จะเริ่มเขียนโค้ด เราต้องเตรียมข้อมูลที่ใช้สำหรับการเรียนรู้และทดสอบ สำหรับตัวอย่างนี้ เราจะใช้ข้อมูลที่จำลองขึ้นมา เช่น ชุดข้อมูลที่มีคุณสมบัติต่าง ๆ เช่น ความสูงและน้ำหนักของบุคคล

ตัวอย่างการทำงานของ K-NN ใน Fortran

ด้านล่างนี้คือตัวอย่างโค้ด K-NN ในภาษา Fortran สำหรับการจำแนกประเภท:

 program knn_example
  implicit none
  integer, parameter :: max_points = 100
  real :: data_points(max_points, 2) ! ยกตัวอย่างข้อมูลน้ำหนักและความสูง
  integer :: labels(max_points) ! ประเภทของข้อมูล
  integer :: k, num_points, i, j
  real :: new_point(2), distance, min_distance
  integer :: nearest_index(max_points)

  ! เพิ่มข้อมูลตัวอย่าง
  num_points = 10
  data_points(1,:) = [160.0, 55.0]; labels(1) = 0
  data_points(2,:) = [165.0, 60.0]; labels(2) = 0
  data_points(3,:) = [170.0, 65.0]; labels(3) = 1
  data_points(4,:) = [175.0, 70.0]; labels(4) = 1
  ! (เพิ่มข้อมูลอื่น ๆ...)

  ! ป้อนจุดข้อมูลใหม่
  new_point(1) = 168.0
  new_point(2) = 62.0

  ! ระบุค่า K
  k = 3

  ! คำนวณระยะห่าง (Distance Calculation)
  do i = 1, num_points
    distance = sqrt((data_points(i,1) - new_point(1))**2 + (data_points(i,2) - new_point(2))**2)
    nearest_index(i) = distance
  end do

  ! โปรเซสเพื่อหา K พ้อย
  ! (จะทำการจัดเรียงระยะห่างและเลือก K จุดที่ใกล้ที่สุด)

  print *, "จุดข้อมูลที่ใกล้ที่สุดเป็นที่อยู่ค่า K-NN:", nearest_index
  print *, "ประเภทที่จำแนกได้คือดาแชน: "  ! ... ล็อคประเภทของ K พ้อย
end program knn_example

อธิบายการทำงานของโค้ด

ในโค้ดนี้ เราได้สร้างฟังก์ชัน K-NN โดยเริ่มจากป้อนข้อมูลน้ำหนักและความสูงในตัวแปร `data_points` และประเภทย่อยในตัวแปร `labels` ข้อมูลตัวอย่างจะมีรวม 10 จุด จากนั้นเราจะสร้างจุดข้อมูลใหม่ ซึ่งในตัวอย่างนี้คือความสูง 168 ซม. และน้ำหนัก 62 กก.

จากนั้น เราจะทำการคำนวณระยะห่างจากทุกจุดข้อมูลไปยังจุดข้อมูลใหม่ด้วยสูตรคณิตศาสตร์ขั้นพื้นฐาน เพื่อหาจุดที่อยู่ใกล้ที่สุด โดยพิจารณาจากค่า K ที่เรากำหนด

Use Case ในโลกจริง

ทำไมถึงเลือกเรียนรู้ programming ที่ EPT?

การเรียนรู้ภาษาโปรแกรมไม่ใช่เรื่องยาก อุปสรรคอาจอยู่ที่การเลือกแนวทางที่ถูกต้อง EPT (Expert-Programming-Tutor) คือสถานที่ที่คุณจะสามารถเรียนรู้การเขียนโปรแกรมอย่างเข้มข้น โดยเริ่มตั้งแต่พื้นฐานไปจนถึงเทคนิคที่สูงขึ้นในหลากหลายภาษา ทำให้เข้าใจและสามารถนำไปประยุกต์ใช้ได้ในชีวิตจริงอย่างมีประสิทธิภาพ

ไม่ต้องกลัวว่าคุณจะอยู่ที่ไหนในเส้นทางการเรียนรู้การเขียนโปรแกรม มาเป็นส่วนหนึ่งของ EPT และเริ่มต้นเส้นทางการเรียนรู้ของคุณได้ตอนนี้!

สรุป

K-NN เป็นอัลกอริธึมที่เรียบง่ายแต่ทรงพลังที่เหมาะสำหรับมือใหม่ในการเรียนรู้การจำแนกประเภท สิ่งที่สำคัญคือการมีข้อมูลที่ดีและความเข้าใจในการคำนวณระยะห่างที่ถูกต้อง เพื่อให้ K-NN สามารถทำงานได้อย่างมีประสิทธิภาพ เราหวังว่าตัวอย่างข้างต้นจะช่วยให้คุณมีความเข้าใจใน K-NN มากขึ้น และที่สำคัญคือเตรียมตัวสมัครเรียนที่ EPT เพื่อพัฒนาทักษะโปรแกรมมิ่งของคุณต่อไป!

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