K-최근접 이웃 알고리즘 | JavaScript 머신 러닝 (Machine Learning)

소개

이 랩에서는 데이터 포인트 분류에 강력한 도구인 K-최근접 이웃 (K-Nearest Neighbors, KNN) 알고리즘을 탐구합니다. JavaScript 로 이 알고리즘을 구현함으로써, 기존의 레이블된 데이터 포인트와의 근접성을 기반으로 새로운 데이터 포인트를 분류할 수 있으며, 이는 추천 시스템 및 이미지 인식과 같은 다양한 응용 분야에 유용한 도구가 됩니다. 이 랩을 통해 머신 러닝 알고리즘이 어떻게 작동하고 실제 시나리오에서 어떻게 구현될 수 있는지 더 깊이 이해하게 될 것입니다.

K-최근접 이웃 (K-Nearest Neighbors) 알고리즘

K-최근접 이웃 알고리즘을 사용하려면 다음 단계를 따르세요.

터미널/SSH 를 열고 node를 입력합니다.
k-최근접 이웃 알고리즘을 사용하여 레이블된 데이터 세트를 기준으로 데이터 포인트를 분류합니다.
Array.prototype.map()을 사용하여 data를 객체에 매핑합니다. 각 객체는 Math.hypot(), Object.keys() 및 해당 label을 사용하여 계산된, point에서 요소까지의 유클리드 거리 (Euclidean distance) 를 포함합니다.
Array.prototype.sort() 및 Array.prototype.slice()를 사용하여 point의 k개의 가장 가까운 이웃을 가져옵니다.
Array.prototype.reduce()를 Object.keys() 및 Array.prototype.indexOf()와 함께 사용하여 가장 빈번한 label을 찾습니다.

다음은 K-최근접 이웃 알고리즘을 구현하는 코드 예시입니다.

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;
};

다음은 코드를 사용하는 방법입니다.

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

요약

축하합니다! K-최근접 이웃 랩을 완료했습니다. LabEx 에서 더 많은 랩을 연습하여 실력을 향상시킬 수 있습니다.

JavaScript 로 K-최근접 이웃 (K-Nearest Neighbors) 구현하기

소개

K-최근접 이웃 (K-Nearest Neighbors) 알고리즘

요약