knn算法java实例

KNN (K-Nearest Neighbors) 算法是一种基于实例的学习方法，在Java中实现KNN的主要步骤包括数据预处理、计算距离、选择邻居和预测分类。以下是简单的Java示例：

import java.util.*;

class KNN {
    private int k;
    private List<Point> dataset; // 假设Point类有x和y坐标属性

    public KNN(int k) {
        this.k = k;
    }

    // 计算两点之间的欧氏距离
    private double distance(Point p1, Point p2) {
        double sum = 0;
        for (int i = 0; i < p1.getDimensions(); i++) {
            sum += Math.pow(p1.getX(i) - p2.getX(i), 2);
        }
        return Math.sqrt(sum);
    }

    // 预测给定点的类别
    public String predict(Point testPoint) {
        Map<String, Double> distancesMap = new HashMap<>();
        for (Point point : dataset) {
            if (!point.equals(testPoint)) {
                distancesMap.put(point.getClassification(), distance(testPoint, point));
            }
        }

        List<Map.Entry<String, Double>> sortedList = new ArrayList<>(distancesMap.entrySet());
        Collections.sort(sortedList, (a, b) -> a.getValue().compareTo(b.getValue()));

        Set<String> topKClasses = new HashSet<>();
        for (int i = 0; i < k && i < sortedList.size(); i++) {
            topKClasses.add(sortedList.get(i).getKey());
        }

        // 如果只有一个类别，直接返回；如果有多个类别，则根据多数原则返回最常见的类别
        return Collections.max(topKClasses, Comparator.comparingInt(Map::size)).orElse("Undecided");
    }
}

// 使用示例
public class Main {
    public static void main(String[] args) {
        // 初始化数据集...
        KNN knn = new KNN(3);
        Point testPoint = ...; // 要预测的测试样本
        System.out.println("Predicted class: " + knn.predict(testPoint));
    }
}

这个例子中，我们首先创建了一个`KNN`类，其中包含了数据集和k值，并实现了计算距离以及基于距离预测类别的方法。在主函数里，你需要提供一个具体的测试点来进行预测。