การใช้งาน K-NN Algorithm ในภาษา Groovy แบบง่ายๆ พร้อมตัวอย่าง CODE

แนะนำ K-NN Algorithm

K-Nearest Neighbors (K-NN) เป็นหนึ่งในรูปแบบการเรียนรู้แบบไม่มีการมีผู้ควบคุม (Supervised Learning) ที่ถูกใช้เพื่อช่วยในการจำแนกประเภทข้อมูล โดยหลักการทำงานของมันก็คือการพิจารณาคลาสหรือประเภทของจุดข้อมูลที่ใกล้เคียงที่สุด (`K` ใกล้ที่สุด) จากจุดข้อมูลในการทำนายผล หรือพูดง่ายๆ ก็คือ ใครที่ใกล้ที่สุดก็จะแนะนำเราว่าควรจะเป็นอะไร

ในโลกแห่งความเป็นจริง K-NN มักถูกใช้ในหลายกรณี เช่น การจำแนกประเภทของสินค้าหรือผู้ใช้บนแพลตฟอร์มออนไลน์ การวิเคราะห์ภาพ หรือแม้แต่การจำแนกเสียงในงานวิจัยด้านดนตรี

ทำไมถึงเลือกใช้ Groovy?

Groovy เป็นภาษาที่ถูกออกแบบมาให้ใช้งานง่ายและสะดวกสบาย โดยเฉพาะในการพัฒนาโปรแกรมที่ใช้ JVM (Java Virtual Machine) นอกจากนี้ยังมีความสามารถในการเขียนสคริปต์ที่สามารถดึงข้อมูลจากฐานข้อมูลหรือ API ได้อย่างง่ายดาย ทำให้เหมาะสมกับการทดลองและพัฒนา K-NN Algorithm

การติดตั้ง Groovy

ก่อนอื่นเรามาเริ่มต้นด้วยการติดตั้ง Groovy กันก่อน โดยสามารถดาวน์โหลดได้ที่ [Groovy Official Site](https://groovy-lang.org/download.html)

ตัวอย่างโค้ด K-NN ใน Groovy

ขั้นตอนการทำงาน

โค้ดตัวอย่าง

 import java.util.*;

class KNN {
    int k;
    List<DataPoint> trainingSet;

    class DataPoint {
        double[] features;
        String label;

        DataPoint(double[] features, String label) {
            this.features = features;
            this.label = label;
        }
    }

    KNN(int k) {
        this.k = k;
        this.trainingSet = new ArrayList<>();
    }

    void addDataPoint(double[] features, String label) {
        trainingSet.add(new DataPoint(features, label));
    }

    String predict(double[] features) {
        List<Map.Entry<Double, String>> distances = new ArrayList<>();

        for (DataPoint dp : trainingSet) {
            double distance = euclideanDistance(features, dp.features);
            distances.add(new AbstractMap.SimpleEntry<>(distance, dp.label));
        }

        Collections.sort(distances, Map.Entry.comparingByKey());

        Map<String, Integer> frequencyMap = new HashMap<>();
        for (int i = 0; i < k; i++) {
            String label = distances.get(i).getValue();
            frequencyMap.put(label, frequencyMap.getOrDefault(label, 0) + 1);
        }

        return frequencyMap.entrySet().stream()
                .max(Map.Entry.comparingByValue()).get().getKey();
    }

    double euclideanDistance(double[] a, double[] b) {
        double sum = 0;
        for (int i = 0; i < a.length; i++) {
            sum += Math.pow(a[i] - b[i], 2);
        }
        return Math.sqrt(sum);
    }

    static void main(String[] args) {
        KNN knn = new KNN(3);

        // Adding training data (features, label)
        knn.addDataPoint(new double[]{1.0, 2.0}, "Class A");
        knn.addDataPoint(new double[]{2.0, 3.0}, "Class A");
        knn.addDataPoint(new double[]{3.0, 5.0}, "Class B");
        knn.addDataPoint(new double[]{5.0, 4.0}, "Class B");

        // Predict a new point
        String result = knn.predict(new double[]{3.0, 4.0});
        println("Predicted Class: " + result);
    }
}

อธิบายการทำงาน

ในโค้ดด้านบน เราได้สร้างคลาส `KNN` ซึ่งมีการเก็บข้อมูลที่เป็นข้อมูลในการฝึกฝน (`trainingSet`) และมีฟังก์ชันในการเพิ่มข้อมูล (`addDataPoint`) และทำนายคำตอบจากข้อมูลใหม่ (`predict`)

Use Case ในโลกจริง

K-NN ถูกนำไปใช้ในหลายๆ ด้าน เช่น:

สรุป

K-NN เป็นอัลกอริธึมที่เรียบง่ายแต่นำไปใช้งานได้หลากหลาย หากคุณยังไม่เคยศึกษาเกี่ยวกับการเขียนโปรแกรมหรือการทำงานของอัลกอริธึมนี้ ขอนำเสนอว่า EPT (Expert-Programming-Tutor) เป็นสถานที่ที่เหมาะสมสำหรับคุณในการเริ่มเรียนรู้ อย่ารอช้า! มาเรียนรู้การเขียนโปรแกรมและเข้าใจศาสตร์แห่งการประมวลผลข้อมูลไปด้วยกันที่ EPT กันเถอะ!

การเรียนรู้การเขียนโปรแกรมไม่เพียงแค่เปิดโอกาสทางอาชีพ แต่ยังทำให้คุณสามารถสร้างสิ่งใหม่ๆ ที่สามารถเปลี่ยนแปลงโลกได้!

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