java实现KNN算法步骤代码

在Java中实现K-Nearest Neighbors (KNN) 算法通常包括以下几个步骤：

1. **数据预处理**：加载数据集并对其进行必要的预处理，如归一化、缺失值处理等。

public void preprocess(double[][] data) {
    // 数据归一化或标准化代码
}

2. **计算距离**：对于新的测试点，需要计算它与训练集中所有点之间的距离。这里可以使用欧氏距离或其他合适的度量方法。

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

3. **选择邻居**：确定k个最近邻。这可以通过对训练数据中的每个点计算距离，并按升序排列距离来进行。

List<int[]> knn(int k, double[] testPoint, List<double[]> trainingData) {
    List<int[]> nearestNeighbors = new ArrayList<>();
    for (double[] point : trainingData) {
        double dist = distance(testPoint, point);
        nearestNeighbors.add(new int[]{dist, indexOf(point)}); //indexOf()返回对应位置的索引
    }
    Collections.sort(nearestNeighbors);
    return nearestNeighbors.subList(0, k);
}

4. **预测分类**：基于邻居的类别，多数投票或者少数服从多数规则（如果k是奇数），预测新数据点的类别。

String predict(List<int[]> neighbors, String[] labels) {
    int majorityClass = labels[neighbors.get(0)[1]];
    int count = 1;
    for (int i = 1; i < neighbors.size(); i++) {
        if (labels[neighbors.get(i)[1]] == majorityClass) count++;
    }
    if (count > k / 2) return majorityClass;
    // 如果k为奇数，考虑其他情况...
}

5. **封装成函数**：将上述步骤组合到一个完整的KNN类或方法中供用户使用。

public class KNNClassifier {
    public String classify(double[] testPoint, List<double[]> trainingData, int k, String[] labels) {
        List<int[]> neighbors = knn(k, testPoint, trainingData);
        return predict(neighbors, labels);
    }
}