การใช้งาน K-NN Algorithm ในภาษา R

ในวงการวิทยาการข้อมูล (Data Science) มีเครื่องมือหลายตัวที่ช่วยในการสร้างโมเดลการทำนาย (Predictive Model) หนึ่งในนั้นคือ K-NN Algorithm (K-Nearest Neighbors) ซึ่งเป็นเทคนิคที่ใช้ในการจัดประเภท (Classification) หรือการคาดการณ์ (Regression) ข้อมูล อย่างง่ายๆ

ในบทความนี้เราจะพูดถึงการใช้ K-NN Algorithm ในภาษา R ว่าสามารถนำไปใช้ในสถานการณ์ไหนได้บ้าง พร้อมกับตัวอย่างโค้ดที่ง่ายและจับต้องได้!

K-NN Algorithm คืออะไร?

K-NN Algorithm เป็นวิธีการที่ใช้ในการจัดประเภทข้อมูล โดยอิงจากความคล้ายคลึงกัน (Similarity) ของข้อมูล เริ่มจากการคำนวณระยะห่าง (Distance) ระหว่างจุดข้อมูล (Data Point) ที่เราต้องการทำนาย กับจุดข้อมูลในชุดข้อมูลที่มีอยู่ในฐานข้อมูล (Training Data) หลังจากนั้น K-NN จะเรียงลำดับระยะห่างที่ใกล้ที่สุด K อันดับเอาไว้ และทำการทำนายผลตามประเภท (Label) ของข้อมูลที่ใกล้ที่สุดทั้ง K จุด

การทำงานของ K-NN

1. การเก็บข้อมูล: ข้อมูลที่ใช้ในการเรียนรู้ (Training Data) จะต้องมีการจัดเตรียมที่ดี และต้องมีลักษณะเป็นเชิงตัวเลข (Numeric)

2. การคำนวณระยะห่าง: ใช้สูตรสำหรับการคำนวณระยะห่าง เช่น Euclidean distance เพื่อหาค่าระยะห่างระหว่างจุดข้อมูลที่ต้องการทำนายกับข้อมูลใน Training Set

3. การจัดประเภท: หลังจากนั้นจะทำการเลือก K จำนวนเพื่อนบ้านที่ใกล้ที่สุด โดยจะนำมาพิจารณากับประเภทที่คะแนนโหวตสูงสุดในข้อมูลที่มี

4. คาดการณ์ผลลัพธ์: เมื่อได้ประเภทที่ประชันกันแล้ว K-NN ก็จะสามารถบอกประเภทของข้อมูลที่ต้องการได้

Use Case ในโลกจริง

K-NN Algorithm ถูกใช้งานในหลายสถานการณ์ เช่น

ตัวอย่างโค้ดการใช้งาน K-NN ใน R

เพื่อให้คุณเห็นถึงการทำงานของ K-NN Algorithm อย่างชัดเจน มาดูกันเลยว่าโค้ดที่เราจะใช้มีอะไรบ้าง:

 # ติดตั้งแพคเกจที่จำเป็น
install.packages("class")
install.packages("caret")

# โหลดแพคเกจ
library(class)
library(caret)

# สร้างชุดข้อมูลตัวอย่าง
set.seed(123)
iris_data = iris

# แบ่งข้อมูลเป็น Training (70%) และ Testing (30%)
trainIndex <- createDataPartition(iris_data$Species, p = .7,
                                  list = FALSE,
                                  times = 1)
IrisTrain <- iris_data[ trainIndex,]
IrisTest  <- iris_data[-trainIndex,]

# กำหนดค่า K
K <- 3

# ใช้ K-NN เพื่อทำการจัดประเภท
model <- knn(train = IrisTrain[,-5], test = IrisTest[,-5],
             cl = IrisTrain[,5], k = K)

# แสดงผลการทำนาย
confusionMatrix(data = model, reference = IrisTest[,5])

อธิบายโค้ด

สรุป

K-NN Algorithm เป็นวิธีที่ง่ายและมีประสิทธิภาพในการจัดประเภทข้อมูล ที่สำคัญก็คือสามารถนำไปใช้งานในหลายสาขา เช่น การแพทย์ การตลาด และอื่นๆ สำหรับใครที่สนใจในการเรียนรู้เพิ่มเติมเกี่ยวกับการวิเคราะห์ข้อมูลและการสร้างโมเดล K-NN หรือเทคนิคอื่นๆ ทาง EPT (Expert-Programming-Tutor) มีหลักสูตรที่พร้อมจะสอนคุณอย่างเป็นระบบ!!!

หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการใช้งานภาษา R และการสร้างโมเดล Machine Learning ด้วย K-NN สามารถสมัครเรียนที่ EPT ได้เลยนะครับ! แบบเรียนเข้าใจง่าย สนุกและได้ความรู้แน่นอน!

หากมีคำถามสามารถสอบถามได้ที่นี่เลย!

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