本文实例讲述了Java实现的KNN算法。分享给大家供大家参考，具体如下：
提起KNN算法大家应该都不会陌生，对于数据挖掘来说算是十大经典算法之一。
算法的思想是：对于训练数据集中已经归类的分组，来对于未知的数据进行分组归类。其中是根据该未知点与其训练数据中的点计算距离，求出距离最短的点，并将其归入该点的那一类。
看看算法的工程吧：
1. 准备数据，对数据进行预处理
2. 选用合适的数据结构存储训练数据和测试元组
3. 设定参数，如k
4.维护一个大小为k的的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列
5. 遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L 与优先级队列中的最大距离Lmax
6. 进行比较。若L>=Lmax，则舍弃该元组，遍历下一个元组。若L < Lmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队 列。
7. 遍历完毕，计算优先级队列中k 个元组的多数类，并将其作为测试元组的类别。
8. 测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k 值。
根据算法的过程我们进行java语言实现：
package KNN;/** * 点的坐标 x 、y * @author Administrator * */public class PointBean {int x;int y;public int getX() { return x;}public void setX(int x) { this.x = x;}public int getY() { return y;}public void setY(int y) { this.y = y;}public PointBean(int x, int y) { super(); this.x = x; this.y = y;}public PointBean() { super();}@Overridepublic String toString() { return "PointBean [x=" + x + ", y=" + y + "]";}}KNN算法
package KNN;import java.util.ArrayList;/** * KNN实现的方法 * @author Administrator * */public class KnnMain { public double getPointLength(ArrayList<PointBean> list,PointBean bb){ int b_x=bb.getX(); int b_y=bb.getY(); double temp=(b_x -list.get(0).getX())*(b_x -list.get(0).getX())+ (b_y -list.get(0).getY())*(b_y -list.get(0).getY()); // 找出最小的距离 for(int i=1;i<list.size();i++){ if(temp<((b_x -list.get(i).getX())*(b_x -list.get(i).getX())+ (b_y -list.get(i).getY())*(b_y -list.get(i).getY()))){ temp=(b_x -list.get(i).getX())*(b_x -list.get(i).getX())+ (b_y -list.get(i).getY())*(b_y -list.get(i).getY()); } } return Math.sqrt(temp); } /** * 获取长度，找出最小的一个进行归类 * @param list1 * @param list2 * @param list3 * @param bb */ public void getContent(ArrayList<PointBean> list1,ArrayList<PointBean> list2, ArrayList<PointBean> list3,PointBean bb){ double A=getPointLength(list1,bb); double B=getPointLength(list2,bb); double C=getPointLength(list3,bb); //做出比较 if(A>B){ if(B>C){ System.out.println("这个点:"+bb.getX()+" , "+bb.getY()+" " +"属于C"); }else { System.out.println("这个点:"+bb.getX()+" , "+bb.getY()+" " +"属于B"); } }else { if(A>C){ System.out.println("这个点:"+bb.getX()+" , "+bb.getY()+" " +"属于C"); }else { System.out.println("这个点:"+bb.getX()+" , "+bb.getY()+" " +"属于A"); } } }}主函数
package KNN;import java.util.ArrayList;/* * 主函数 KNN */public class TestJava { static ArrayList< PointBean> listA; static ArrayList< PointBean> listB; static ArrayList< PointBean> listC; static ArrayList< PointBean> listD; public static void main(String[] args) { //创佳Arraylist listA=new ArrayList<PointBean>(); listB=new ArrayList<PointBean>(); listC=new ArrayList<PointBean>(); listD=new ArrayList<PointBean>(); //写入数据 setDate(); getTestResult(); } /** * 得到结果 */ private static void getTestResult() { //创建对象 KnnMain km=new KnnMain(); for(int i=0;i<listD.size();i++){ km.getContent(listA, listB, listC, listD.get(i)); } } /** * 写入数据 */ private static void setDate() { //A的坐标点 int A_x[]={1,1,2,2,1}; int A_y[]={0,1,1,0,2}; //B的坐标点 int B_x[]={2,3,3,3,4}; int B_y[]={4,4,3,2,3}; //C的坐标点 int C_x[]={4,5,5,6,6}; int C_y[]={1,2,0,2,1}; // 测试数据 //B的坐标点 int D_x[]={3,3,3,0,5}; int D_y[]={0,1,5,0,1}; // PointBean bA; for(int i=0;i<5;i++){ bA=new PointBean(A_x[i], A_y[i]); listA.add(bA); } // PointBean bB ; for(int i=0;i<5;i++){ bB=new PointBean(B_x[i], B_y[i]); listB.add(bB); } // PointBean bC ; for(int i=0;i<5;i++){ bC=new PointBean(C_x[i], C_y[i]); listC.add(bC); } // PointBean bD ; for(int i=0;i<5;i++){ bD=new PointBean(D_x[i], D_y[i]); listD.add(bD); } }}测试的结果：
这个点:3 , 1 属于A
这个点:3 , 5 属于B
这个点:0 , 0 属于A
这个点:5 , 1 属于C
到此简单的KNN算法已经实现对于未知点的划分，有助于大家对于KNN算法的理解。对于改进KNN的一些算法JAVA实现会在后面进行贴出。共同学习共同进步！
更多关于java算法相关内容感兴趣的读者可查看本站专题：《Java数据结构与算法教程》、《Java操作DOM节点技巧总结》、《Java文件与目录操作技巧汇总》和《Java缓存操作技巧汇总》
希望本文所述对大家java程序设计有所帮助。