人工智能 - K近邻分类算法的Java实现

KNN

简介

KNN的全称是K Nearest Neighbors。K个最近邻居，K的取值肯定是至关重要的。 KNN的原理就是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。
举个例子：
如果K=3，绿色圆将被分类为红色三角形。
如果K=5，绿色圆被分类为蓝色四方形类。

距离计算方程：

特点

KNN是一种非参的，惰性的算法模型。
非参 ：这个模型不会对数据做出任何的假设，也就是说KNN建立的模型结构是根据数据来决定的。

惰性：不需要对数据进行大量训练就可以得到一个算法模型，它没有明确的训练数据的过程，或者说这个过程很快。

K值选择

一般采用交叉验证（将样本数据按照一定比例，拆分出训练用的数据和验证用的数据，比如6：4拆分出部分训练数据和验证数据），从选取一个较小的K值开始，不断增加K的值，然后计算验证集合的方差，最终找到一个比较合适的K值。

实验

要求

csv格式的数据是这样的，还有一个一模一样的txt类型数据。

实现

伪代码

1 读取数据
2 选择获得K的方式
	2.1 手动输入
	2.2 计算出比较好的
3. KNN算法	
	3.1计算测试数据与各个训练数据之间的距离； 
	3.2按照距离的递增关系进行排序； 
	3.3选取距离最小的K个点； 
	3.4确定前K个点所在类别的出现频率； 
	3.5返回前K个点中出现频率最高的类别作为测试数据的预测分类。

Java代码

package AIProjectSix;

import java.io.File;
import java.io.FileNotFoundException;
import java.util.PriorityQueue;
import java.util.Queue;
import java.util.Scanner; 

class Flower {
   
	private Double calysLength;  //花萼
	private Double calysWidth;
	private Double petalLength;  //花瓣
	private Double petalWidth;   //1代表Setosa，2代表Versicolour，3代表Virginica
	private int type; 
	
	@Override
	public String toString() {
   
		return "Flower [calyxLength=" + calysLength + ", calysWidth=" + calysWidth + ", petalLength=" + petalLength
				+ ", petalWidth=" + petalWidth + ", type=" + type + "]";
	}
	public Flower(Double calyxLength, Double calysWidth, Double petalLength, Double petalWidth, int type) {
   
		super();
		this.calysLength = calyxLength;
		this.calysWidth = calysWidth;
		this.petalLength = petalLength;
		this.petalWidth = petalWidth;
		this.type = type;
	}
	public Double getCalyxLength() {
   
		return calysLength;
	}
	public void setCalyxLength(Double calyxLength) {
   
		this.calysLength = calyxLength;
	}
	public Double getCalysWidth() {
   
		return calysWidth;
	}
	public void setCalysWidth(Double calysWidth)