Implementando K Vecinos más Cercanos en JavaScript

Introducción

En este laboratorio, exploraremos el algoritmo de K Vecinos más Cercanos, una herramienta poderosa para la clasificación de puntos de datos. Al implementar este algoritmo en JavaScript, podremos clasificar nuevos puntos de datos basados en su proximidad a puntos de datos etiquetados existentes, lo que lo convierte en una herramienta valiosa para una variedad de aplicaciones, como sistemas de recomendación y reconocimiento de imágenes. A través de este laboratorio, obtendremos una comprensión más profunda de cómo funcionan los algoritmos de aprendizaje automático y cómo se pueden implementar en escenarios del mundo real.

Algoritmo de K Vecinos más Cercanos

Para utilizar el Algoritmo de K Vecinos más Cercanos, siga estos pasos:

1. Abra la Terminal/SSH y escriba node.
2. Clasifique un punto de datos con respecto a un conjunto de datos etiquetados utilizando el algoritmo de k vecinos más cercanos.
3. Asocie los datos a objetos utilizando Array.prototype.map(). Cada objeto contiene la distancia euclidiana del elemento desde punto, calculada utilizando Math.hypot(), Object.keys() y su etiqueta.
4. Utilice Array.prototype.sort() y Array.prototype.slice() para obtener los k vecinos más cercanos de punto.
5. Utilice Array.prototype.reduce() en combinación con Object.keys() y Array.prototype.indexOf() para encontrar la etiqueta más frecuente entre ellos.

A continuación, se muestra un código de ejemplo que implementa el Algoritmo de K Vecinos más Cercanos:

const kNearestNeighbors = (data, labels, point, k = 3) => {
  const kNearest = data
    .map((el, i) => ({
      dist: Math.hypot(...Object.keys(el).map((key) => point[key] - el[key])),
      label: labels[i]
    }))
    .sort((a, b) => a.dist - b.dist)
    .slice(0, k);

  return kNearest.reduce(
    (acc, { label }, i) => {
      acc.classCounts[label] =
        Object.keys(acc.classCounts).indexOf(label) !== -1
          ? acc.classCounts[label] + 1
          : 1;
      if (acc.classCounts[label] > acc.topClassCount) {
        acc.topClassCount = acc.classCounts[label];
        acc.topClass = label;
      }
      return acc;
    },
    {
      classCounts: {},
      topClass: kNearest[0].label,
      topClassCount: 0
    }
  ).topClass;
};

A continuación, se muestra cómo utilizar el código:

const data = [
  [0, 0],
  [0, 1],
  [1, 3],
  [2, 0]
];
const labels = [0, 1, 1, 0];

kNearestNeighbors(data, labels, [1, 2], 2); // 1
kNearestNeighbors(data, labels, [1, 0], 2); // 0

Resumen

¡Felicitaciones! Has completado el laboratorio de K Vecinos más Cercanos. Puedes practicar más laboratorios en LabEx para mejorar tus habilidades.