การใช้งาน K-NN Algorithm ในภาษา Delphi Object Pascal: การเข้าใจที่ง่ายๆ พร้อมตัวอย่าง CODE

K-NN (K-Nearest Neighbors) คือหนึ่งในอัลกอริธึมการเรียนรู้ของเครื่องที่นิยมใช้กันอย่างแพร่หลาย โดย K-NN เป็นอัลกอริธึมที่ง่ายและมีความเข้าใจตรงไปตรงมาที่สุด ตัวหลักการทำงานของ K-NN คือการค้นหา K จุดข้อมูลที่ใกล้ที่สุดกับจุดข้อมูลที่ต้องการทำนาย และกำหนดผลลัพธ์ตามกลุ่มของข้อมูลที่ใกล้ที่สุด

ในบทความนี้ เราจะใช้ภาษา Delphi Object Pascal เพื่อสร้างตัวอย่างการใช้งาน K-NN โดยจะอธิบายวิธีการทำงานและมีตัวอย่างโค้ดให้กับผู้อ่าน ซึ่งจะช่วยส่งเสริมให้กระบวนการเรียนรู้ของคุณมีประสิทธิภาพมากยิ่งขึ้น!

หลักการทำงานของ K-NN

K-NN ใช้หลักการพื้นฐานของการเปรียบเทียบระยะห่าง ระยะห่างที่ใช้กันทั่วไปคือ ระยะห่างแบบ Euclidean (Euclidean Distance) แต่คุณยังสามารถเลือกใช้ระยะห่างแบบอื่นได้ตามความเหมาะสม

ตัวอย่างโค้ด K-NN ใน Delphi Object Pascal

เราจะมาดูโค้ดตัวอย่างที่สร้างฟังก์ชัน K-NN ด้วย Delphi Object Pascal:

 program KNNExample;

{$APPTYPE CONSOLE}

uses
  SysUtils, Math;

type
  TPoint = record
    x: Double;
    y: Double;
    class function Create(Ax, Ay: Double): TPoint; static;
  end;

class function TPoint.Create(Ax, Ay: Double): TPoint;
begin
  Result.x := Ax;
  Result.y := Ay;
end;

type
  TKNN = class
    FData: array of TPoint;
    FLabels: array of Integer;

    function EuclideanDistance(Point1, Point2: TPoint): Double;
    function Classify(NewPoint: TPoint; K: Integer): Integer;
    procedure AddData(AData: TPoint; ALabel: Integer);
  end;

function TKNN.EuclideanDistance(Point1, Point2: TPoint): Double;
begin
  Result := Sqrt(Sqr(Point2.x - Point1.x) + Sqr(Point2.y - Point1.y));
end;

procedure TKNN.AddData(AData: TPoint; ALabel: Integer);
begin
  SetLength(FData, Length(FData) + 1);
  SetLength(FLabels, Length(FLabels) + 1);
  FData[High(FData)] := AData;
  FLabels[High(FLabels)] := ALabel;
end;

function TKNN.Classify(NewPoint: TPoint; K: Integer): Integer;
var
  Distances: array of Double;
  Indices: array of Integer;
  i, j, LabelCount: Integer;
  MaxLabel, CurrentLabel, CurrentCount: Integer;
begin
  SetLength(Distances, Length(FData));
  SetLength(Indices, Length(FData));

  for i := 0 to High(FData) do
  begin
    Distances[i] := EuclideanDistance(NewPoint, FData[i]);
    Indices[i] := i;
  end;

  // Sort distances and get the K nearest labels
  for i := 0 to High(FData) - 1 do
    for j := i + 1 to High(FData) do
      if Distances[j] < Distances[i] then
      begin
        // Swap distances
        Distances[i] := Distances[j] + Distances[i];
        Distances[j] := Distances[i] - Distances[j];
        Distances[i] := Distances[i] - Distances[j];

        // Swap indices
        Indices[i] := Indices[j] + Indices[i];
        Indices[j] := Indices[i] - Indices[j];
        Indices[i] := Indices[i] - Indices[j];
      end;

  // Count the votes for the K nearest neighbors
  FillChar(LabelCount, SizeOf(LabelCount), 0);
  for i := 0 to K - 1 do
  begin
    CurrentLabel := FLabels[Indices[i]];
    Inc(LabelCount[CurrentLabel]);
  end;

  // Find the label with the maximum count
  MaxLabel := -1;
  CurrentCount := -1;
  for i := 0 to High(LabelCount) do
  begin
    if LabelCount[i] > CurrentCount then
    begin
      CurrentCount := LabelCount[i];
      MaxLabel := i;
    end;
  end;

  Result := MaxLabel;
end;

var
  KNN: TKNN;
  NewPoint: TPoint;
  PredictedLabel: Integer;
begin
  KNN := TKNN.Create;

  KNN.AddData(TPoint.Create(1, 2), 0);
  KNN.AddData(TPoint.Create(2, 3), 0);
  KNN.AddData(TPoint.Create(3, 1), 1);
  KNN.AddData(TPoint.Create(6, 5), 1);

  // Testing with a new point
  NewPoint := TPoint.Create(2.5, 2);
  PredictedLabel := KNN.Classify(NewPoint, 3);

  WriteLn('Predicted Label for (2.5, 2) is: ', PredictedLabel);

  ReadLn;
end.

การวิเคราะห์โค้ด

ในโค้ดที่เราได้ทำการสร้างนี้ สิ่งที่เราทำคือ:

1. กำหนดโครงสร้างข้อมูลสำหรับ Points.

2. สร้างคลาส TKNN ซึ่งมีฟังก์ชันในการคำนวณระยะห่าง Euclidean และการทำนายผลโดยใช้ K-NN.

3. เพิ่มข้อมูลที่อยู่ในรูปแบบพ้อยที่แต่ละพ้อยจะมี Label.

4. สุดท้าย ทดสอบการทำนายผลกับจุดใหม่ด้วยการหาค่า Label ที่ใกล้ที่สุด K จุด.

Use Cases ในโลกจริง

K-NN มีการใช้งานในหลากหลายแวดวง เช่น:

เรียนรู้เพิ่มเติมกับ EPT

หากคุณเกิดความสนใจใน K-NN หรือการเรียนรู้ของเครื่อง คุณอาจพบคำตอบที่ดีกว่าในการศึกษาโปรแกรมในระดับลึกชั้น โดยการสมัครเรียนกับ EPT (Expert-Programming-Tutor) ที่มอบประสบการณ์ในการเรียนรู้โปรแกรมและแนะนำในอีกหลากหลายหัวข้อ ตั้งแต่การเริ่มต้นการเขียนโปรแกรมสู่แนวทางที่สูงขึ้น!

มาติดตามและเรียนรู้ไปด้วยกันนะครับ!

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