如何用PHP實作K近鄰演算法

如何用PHP實作K近鄰演算法

K近鄰演算法是一種簡單且常用的機器學習演算法，廣泛應用於分類與迴歸問題。它的基本原理是透過計算待分類樣本與已知樣本之間的距離，將待分類樣本歸類為距離最近的K個已知樣本所屬的類別。在本文中，我們將介紹如何用PHP實作K近鄰演算法，並提供程式碼範例。

1. 資料準備
   首先，我們需要準備已知樣本資料和待分類樣本資料。已知樣本資料包含類別和特徵值，待分類樣本資料只有特徵值。為了簡化範例，我們假設已知樣本資料和待分類樣本資料均以陣列的形式表示。以下是一個範例資料：

已知樣本資料：
$knownSamples = array(

array('class' => 'A', 'features' => array(2, 3)),
array('class' => 'A', 'features' => array(4, 5)),
array('class' => 'B', 'features' => array(1, 1)),
array('class' => 'B', 'features' => array(3, 2)),

);

待分類樣本資料：
$unknownSample = array('features' => array(2, 2));

2. 計算距離
   接下來，我們需要寫一個函數，用於計算待分類樣本與已知樣本之間的距離。常用的距離度量法有歐氏距離、曼哈頓距離等。以下是一個計算歐氏距離的範例：

function euclideanDistance($sample1, $sample2) {

$sum = 0;
for ($i = 0; $i < count($sample1); $i++) {
    $sum += pow($sample1[$i] - $sample2[$i], 2);
}
return sqrt($sum);

}

3. #尋找K個最近鄰居
   在這一步，我們需要寫一個函數，用於尋找距離待分類樣本最近的K個已知樣本。以下是一個範例函數：

function findNeighbors($knownSamples, $unknownSample, $k) {

$distances = array();
foreach ($knownSamples as $knownSample) {
    $distance = euclideanDistance($knownSample['features'], $unknownSample['features']);
    $distances[] = array('class' => $knownSample['class'], 'distance' => $distance);
}
usort($distances, function ($a, $b) {
    return $a['distance'] - $b['distance'];
});
return array_slice($distances, 0, $k);

}

4. #進行分類
   最後，我們需要寫一個函數，根據K個最近鄰居的類別進行分類。以下是一個範例函數：

function classify($neighbors) {

$classes = array();
foreach ($neighbors as $neighbor) {
    $classes[] = $neighbor['class'];
}
$classCounts = array_count_values($classes);
arsort($classCounts);
return key($classCounts);

}

## 完整範例
5. 以下是一個完整的範例代碼：
   

function euclideanDistance($sample1, $sample2) {
    $sum = 0;
    for ($i = 0; $i < count($sample1); $i++) {
        $sum += pow($sample1[$i] - $sample2[$i], 2);
    }
    return sqrt($sum);
}

function findNeighbors($knownSamples, $unknownSample, $k) {
    $distances = array();
    foreach ($knownSamples as $knownSample) {
        $distance = euclideanDistance($knownSample['features'], $unknownSample['features']);
        $distances[] = array('class' => $knownSample['class'], 'distance' => $distance);
    }
    usort($distances, function ($a, $b) {
        return $a['distance'] - $b['distance'];
    });
    return array_slice($distances, 0, $k);
}

function classify($neighbors) {
    $classes = array();
    foreach ($neighbors as $neighbor) {
        $classes[] = $neighbor['class'];
    }
    $classCounts = array_count_values($classes);
    arsort($classCounts);
    return key($classCounts);
}

$knownSamples = array(
    array('class' => 'A', 'features' => array(2, 3)),
    array('class' => 'A', 'features' => array(4, 5)),
    array('class' => 'B', 'features' => array(1, 1)),
    array('class' => 'B', 'features' => array(3, 2)),
);

$unknownSample = array('features' => array(2, 2));

$neighbors = findNeighbors($knownSamples, $unknownSample, 3);
$class = classify($neighbors);

echo "待分类样本的类别为：" . $class;

以上程式碼將輸出待分類樣本的類別。

總結：

本文介紹如何用PHP實作K近鄰演算法。透過計算待分類樣本與已知樣本之間的距離，找到K個最近鄰居，然後根據這些最近鄰居的類別進行分類。 K近鄰演算法是一種簡單且常用的演算法，適用於許多分類和迴歸問題。使用PHP實作K近鄰演算法相對簡單，只需寫幾個函數即可完成。希望本文能幫助讀者理解並應用K近鄰演算法。

以上是如何用PHP實作K近鄰演算法的詳細內容。更多資訊請關注PHP中文網其他相關文章！