Java语言实现K-近邻算法 (K-Nearest Neighbors, KNN)

以下是一个简单的 Java 实现 K-近邻算法 (KNN) 的示例：

import java.util.ArrayList;
import java.util.List;

class Point {
    double[] features;
    String label;

    Point(double[] features, String label) {
        this.features = features;
        this.label = label;
    }

    double distance(Point other) {
        double sum = 0;
        for (int i = 0; i < features.length; i++) {
            sum += Math.pow(features[i] - other.features[i], 2);
        }
        return Math.sqrt(sum);
    }
}

class KNN {
    private List<Point> points;
    private int k;

    KNN(int k) {
        this.k = k;
        this.points = new ArrayList<>();
    }

    void fit(List<Point> trainingPoints) {
        this.points = trainingPoints;
    }

    String predict(Point newPoint) {
        points.sort((p1, p2) -> Double.compare(p1.distance(newPoint), p2.distance(newPoint)));
        List<String> neighborsLabels = new ArrayList<>();
        for (int i = 0; i < k; i++) {
            neighborsLabels.add(points.get(i).label);
        }

        return majorityVote(neighborsLabels);
    }

    private String majorityVote(List<String> labels) {
        return labels.stream()
                .reduce((label1, label2) -> label1.equals(label2) ? label1 : null)
                .orElse(labels.get(0));
    }

    public static void main(String[] args) {
        KNN knn = new KNN(3);
        
        List<Point> trainingData = new ArrayList<>();
        trainingData.add(new Point(new double[]{1.0, 2.0}, "A"));
        trainingData.add(new Point(new double[]{2.0, 3.0}, "A"));
        trainingData.add(new Point(new double[]{3.0, 1.0}, "B"));
        trainingData.add(new Point(new double[]{6.0, 5.0}, "B"));

        knn.fit(trainingData);

        Point newPoint = new Point(new double[]{2.5, 2.5}, null);
        String predictedLabel = knn.predict(newPoint);
        System.out.println("Predicted Label: " + predictedLabel);
    }
}

说明：

1. Point 类：表示数据点，包含特征和标签，以及计算距离的方法。
2. KNN 类：实现 K-近邻算法，包含训练和预测的方法。
3. fit 方法：用于训练模型，接收训练数据。
4. predict 方法：接收新的数据点并预测其标签。
5. majorityVote 方法：通过投票确定邻居中最常见的标签。

可以根据需求扩展此实现，例如改进投票机制、支持加权投票等。

4o