Algoritmo K-Nearest Neighbors

Introdução

Neste laboratório, exploraremos o algoritmo K-Nearest Neighbors (KNN), uma ferramenta poderosa para a classificação de pontos de dados. Ao implementar este algoritmo em JavaScript, seremos capazes de classificar novos pontos de dados com base em sua proximidade com pontos de dados rotulados existentes, tornando-o uma ferramenta valiosa para uma variedade de aplicações, como sistemas de recomendação e reconhecimento de imagem. Através deste laboratório, obteremos uma compreensão mais profunda de como os algoritmos de machine learning funcionam e como eles podem ser implementados em cenários do mundo real.

Para usar o Algoritmo K-Nearest Neighbors, siga estes passos:

Abra o Terminal/SSH e digite node.
Classifique um ponto de dados em relação a um conjunto de dados rotulados usando o algoritmo k-nearest neighbors.
Mapeie os data para objetos usando Array.prototype.map(). Cada objeto contém a distância Euclidiana do elemento a partir de point, calculada usando Math.hypot(), Object.keys() e seu label.
Use Array.prototype.sort() e Array.prototype.slice() para obter os k vizinhos mais próximos de point.
Use Array.prototype.reduce() em combinação com Object.keys() e Array.prototype.indexOf() para encontrar o label mais frequente entre eles.

Aqui está um exemplo de código que implementa o Algoritmo K-Nearest Neighbors:

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;
};

Veja como usar o 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

Implementando K-Nearest Neighbors em JavaScript

Introdução

Algoritmo K-Nearest Neighbors

Resumo