knn算法java实现

K近邻(K-Nearest Neighbors, KNN)是一种基于实例的学习方法，它通过比较新数据点与训练集中所有样本的距离，找出与其最相似的k个邻居，并以其类别进行预测。在Java中实现KNN算法通常涉及以下几个步骤：

1. **数据预处理**：收集并清洗数据，将它们转化为可用于计算距离的形式，如数值型数据。

2. **计算距离**：选择一种度量距离的方式，比如欧氏距离、曼哈顿距离等。在Java中，可以使用`Math.pow`和`Math.sqrt`来计算平方差或欧氏距离。

3. **创建数据结构**：存储训练集和其对应的标签，常用的数据结构可以是数组或HashMap。

4. **预测函数**：对于新的输入数据点，找到K个最近的邻居，然后统计它们属于各个类别的频率，最常见的类别就是预测结果。

5. **评估模型**：使用交叉验证或测试集来评估模型性能。

以下是一个简单的Java代码片段，展示了如何实现KNN的基本流程（这里假设我们有一个包含特征值和标签的二维数组`data`）：

import java.util.ArrayList;
import java.util.Arrays;

public class KNN {
    private int k;
    private double[][] data; // 训练数据

    public KNN(int k, double[][] data) {
        this.k = k;
        this.data = data;
    }

    public String predict(double[] input) {
        ArrayList<Double> distances = new ArrayList<>();
        for (double[] sample : data) {
            double dist = calculateDistance(input, sample);
            distances.add(dist);
        }
        distances.sort(Comparator.comparingDouble(Double::doubleValue));

        int countForEachClass = new int[data[0].length];
        for (int i = 0; i < k; i++) {
            countForEachClass[(int) data[distances.get(i)][data[0].length - 1]]++;
        }

        return getMaxIndex(countForEachClass) + "";
    }

    private double calculateDistance(double[] a, double[] b) {
        // 实现计算距离的公式
    }

    private int getMaxIndex(int[] array) {
        // 找到数组中的最大值索引
    }
}