การใช้งาน K-NN Algorithm ในภาษา MATLAB: เรียนรู้และลงมือทำ

การเรียนรู้ของเครื่อง (Machine Learning) กำลังเป็นที่นิยมอย่างมากในยุคนี้ และหนึ่งในอัลกอริธึมที่ง่ายและน่าสนใจสำหรับผู้เริ่มต้นคือ K-Nearest Neighbors (K-NN) ซึ่งเป็นเทคนิคที่สามารถนำมาใช้ได้หลากหลายรูปแบบ ในบทความนี้ เราจะพูดถึงวิธีการใช้งาน K-NN ในภาษา MATLAB อย่างง่ายๆ พร้อมตัวอย่าง CODE และอธิบายการทำงาน เพื่อที่จะให้คุณเข้าใจได้ง่ายขึ้น

K-NN คืออะไร?

K-NN เป็นอัลกอริธึมที่ใช้งานง่าย โดยมันทำงานโดยการค้นหาข้อมูลที่ใกล้เคียงกันที่สุดกับข้อมูลที่ต้องการจำแนกประเภท โดยจะพิจารณาจากค่า K ซึ่งแสดงถึงจำนวน neighbor ที่เราต้องการพิจารณา ในการทำงานของอัลกอริธึมนี้ ค่าที่อยู่ใกล้เคียงที่สุดจะมีน้ำหนักมากกว่าค่าที่อยู่ห่างออกไป

ภาพรวมของการทำงานของ K-NN จะดูเหมือนดังนี้:

1. มีข้อมูลชุดฝึก (Training Data) ที่รวมข้อมูลและป้ายชื่อ (Labels)

2. เมื่อต้องการค้นหาค่าที่จะจำแนกประเภทให้กับข้อมูลใหม่ เราจะหาค่าที่ใกล้เคียงที่สุด K ค่า

3. ทำการนับจำนวนชนิดของป้ายชื่อใน K ค่าเพื่อตัดสินใจว่า ข้อมูลใหม่ควรมีป้ายชื่ออะไร

การติดตั้ง MATLAB

ก่อนอื่น คุณต้องมี MATLAB ติดตั้งในเครื่องของคุณ โดยคุณสามารถดาวน์โหลดและติดตั้งเวอร์ชันล่าสุดได้จากเว็บไซต์ของ MathWorks 

ตัวอย่างการใช้งาน K-NN ใน MATLAB

ก่อนที่จะเริ่มเขียนโค้ดกัน ผมขอแนะนำให้คุณแน่ใจว่าคุณมี Data Set สำหรับการฝึกอบรม ซึ่งคุณสามารถใช้ Data Set ของ Iris Flower Dataset เป็นตัวอย่าง

ขั้นตอนที่ 1: นำเข้าข้อมูล

 % นำเข้า Iris Dataset
load fisheriris

% irisData จะเก็บคุณสมบัติของดอกไม้
% ส่วน irisSpecies จะเก็บป้ายชื่อของดอกไม้
data = meas;
labels = species;

ขั้นตอนที่ 2: แบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบ

 % สุ่มสลับตำแหน่งข้อมูล
numObservations = size(data, 1);
randomIndices = randperm(numObservations);
data = data(randomIndices, :);
labels = labels(randomIndices, :);

% แบ่งข้อมูล 70% เป็นชุดฝึก และ 30% เป็นชุดทดสอบ
numTrain = floor(0.7 * numObservations);
trainData = data(1:numTrain, :);
trainLabels = labels(1:numTrain, :);
testData = data(numTrain+1:end, :);
testLabels = labels(numTrain+1:end, :);

ขั้นตอนที่ 3: สร้างโมเดล K-NN

 % สร้างโมเดล K-NN
k = 3; % จำนวน neighbors ที่เราต้องการใช้
mdl = fitcknn(trainData, trainLabels, 'NumNeighbors', k);

ขั้นตอนที่ 4: ทำนายผลในชุดทดสอบ

 % ทำนายผลในชุดทดสอบ
predictedLabels = predict(mdl, testData);

ขั้นตอนที่ 5: ประเมินผล

 % คำนวณความแม่นยำ
accuracy = sum(strcmp(predictedLabels, testLabels)) / length(testLabels) * 100;
fprintf('Accuracy: %.2f%%\n', accuracy);

Use Case ในโลกจริง

K-NN มีการใช้งานที่กว้างขวางในหลายด้าน เช่น:

สรุป

K-NN เป็นอัลกอริธึมที่เข้าใจง่าย และเหมาะสำหรับผู้ที่เริ่มต้นศึกษาการเรียนรู้ของเครื่องในภาษา MATLAB การพัฒนาโมเดล K-NN ช่วยให้สามารถแก้ปัญหาในหลายๆ ด้านในชีวิตจริง ซึ่งบทความนี้เพียงแค่ให้การเริ่มต้น คุณสามารถนำความรู้ที่ได้ไปต่อยอดแน่นอน!

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับการเขียนโปรแกรมและการใช้เทคนิคต่างๆ ในการพัฒนาโมเดลการเรียนรู้ของเครื่อง สามารถเข้ามาศึกษาที่ EPT (Expert-Programming-Tutor) เรามีหลักสูตรที่ออกแบบมาเพื่อให้คุณไปยังเป้าหมายที่ต้องการ

ศึกษาพร้อมลงมือทำกับเราได้เลย!

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