KNN.java (main)

public class KNN {
	    public  static void main(String[] args) {
	    	try {
	    		
	    		System.out.println("... WINE.DAT ...");					//ΓΙΑ WINE.DAT
	    		System.out.println();
	    		
	    		for (int k = 1; k <= 10; k++) {								// τρέχει για τις τιμές του k από 1 έως 10.
	    			
	    			double sumOfRate = 0;									// μεταβλητή που θα κρατάει την ακρίβεια κατηγοριοποίησης ανά επανάληψη. ( όχι ανα k !!! ).
	    			BigDecimal averageRate = null;							// αντικείμενο τύπου big decimal που θα αποθηκεύει τη μέση ακρίβεια κατηγοριοποίησης.
	    			
	    			for (int loop = 1; loop <= 10; loop++) {				// τρέχουμε ένα loop 10 φορές για κάθε k, όπως ζητάει η εκφώνηση.
	    				
	    				PointList bigList = PointList.readData("wine.dat");				// διαβάζει το αρχείο wine.dat και αποθηκεύει τα στοιχεία του στη μεγάλη λίστα.
	    				int smallLength = (int)(bigList.length() * 0.25);		// φτιάχνουμε το μήκος της μικρής λίστας. ( 25% της μεγάλης ).
			    		PointList smallList = new PointList( bigList.getDim() );		// φτιάχνει τη μικρή λίστα.
			    		int bigLength = bigList.length();								// αποθηκεύουμε σε μια μεταβλητή το μήκος της μεγάλης λίστας.
			    		
			    		bigList.shuffle();												// κάνουμε shuffle τη μεγάλη λίστα.
			    		// τρέχουμε ένα for loop και διαγράφοντας ένα - ένα τα στοιχεία της big list και τα αποθηκεύουμε στην small list. Οπότε μετά η big list θα περιέχει
			    		// το υπόλοιπο 75%.
			    		for (int i = 0; i < bigLength * 0.25 -1; i++) {
			    			PointData data = bigList.rmFirst();				// διαγράφουμε το πρώτο node αποθηκεύοντας το σε ένα temp αντικείμενο τύπου point data.
			    			smallList.append(data.x, data.y);				// προσθέτουμε στη μικρή λίστα αυτό το temp.
			    		}
			    		
			    		
			    		double correct = 0;					// θα μετράει τον αριθμό των σημείων που κατηγοριοποιήθηκαν σωστά.
			    		smallList.shuffle();				// κάνουμε shuffle τη μικρή λίστα
			    		
			    		while ( smallList.length() > 0 ) {			// Όσο το μήκος της είναι θετικό
			    			
			    			PointData temp = smallList.rmFirst();		// διαγράφει το πρώτο στοιχείο αποθηκεύοντας το πάλι σε ένα temp αντικείμενο.
			    			// καλούμε την findKNearest για τη μεγάλη λίστα ψάχνοντας τους k κοντινότερους με τα στοιχεία της μικρής όμως και στη συνέχεια την classify
			    			// για να τα κατηγοριοποιήσουμε.
				    		double classification = bigList.findKNearest(temp.x, k).classify(temp.x);
				    		
				    		// αν το y που επέστρεψε συμφωνεί με το προκαθορισμένο, αύξησε ένα μετρητή που μετράει τα σωστά αποτελέσματα κατά 1.
				    		if ( classification == temp.y )
				    			correct++;
			    			
			    		}
			    		sumOfRate = sumOfRate + correct / smallLength;
			    		// φτιάχνει ένα αντικείμενο rate τύπου big decimal και το αρχικοποιεί με την τιμή sumOfRate * 10 , δηλαδή αν το sumOfRate
			    		// είναι 9.521 , το * 10 το κάνει 95.21%.
			    		averageRate = new BigDecimal(sumOfRate * 10);
			    		// το περιορίζει να εμφανίζει μέχρι δύο δεκαδικά, στρογγυλοποιώντας το τελευταίο δεκαδικό.
			    		averageRate = averageRate.setScale(2, RoundingMode.CEILING);
			    		
    				}
	    			System.out.println("The average rate of accurately classified points for k = " + k + " is: " + String.format("%.2f", averageRate) + "%");
		    		// εμφανίζει για κάθε επανάληψη και κάθε k το ποσοστό των σωστών κατηγοριοποιήσεων.
	    				
	    		}
	    		
	    		System.out.println();
	    		System.out.println("... HOUSING.DAT ...");				// HOUSING.DAT ΑΠΟ'ΔΩ ΚΑΙ ΚΑΤΩ.
	    		System.out.println();
	    		
	    		// Ομοίως για τον παρακάτω κώδικα τα ίδια ακριβώς σχόλια, μόνο που διαβάζει το housing.dat αντί για το wine.dat.
	    		
	    		for (int k = 1; k <= 10; k++) {
	    			
    				double sumOfRate = 0;
	    			BigDecimal averageRate = null;
	    			
	    			for (int loop = 1; loop <= 10; loop++) {
	    				
	    				PointList bigList = PointList.readData("housing.dat");
			    		PointList smallList = new PointList( bigList.getDim() );
			    		int bigLength = bigList.length();
			    		int smallLength = (int) (bigList.length() * 0.25);
			    		
			    		bigList.shuffle();
			    		for (int i = 0; i < bigLength * 0.25 -1; i++) {
			    			PointData data = bigList.rmFirst();
			    			smallList.append(data.x, data.y);
			    		}
			    		
			    		smallList.shuffle();
			    		double correct = 0;
			    		while ( smallList.length() > 0 ) {
			    			
			    			PointData temp = smallList.rmFirst();
				    		double classification = bigList.findKNearest(temp.x, k).classify(temp.x);
				    		
				    		if ( classification == temp.y )
				    			correct++;
			    			
			    		}
			    		
			    		sumOfRate = sumOfRate + correct / smallLength;
			    		averageRate = new BigDecimal(sumOfRate * 10);
			    		averageRate = averageRate.setScale(2, RoundingMode.CEILING);
			    		
    				}
	    			
	    			System.out.println("The average rate of accurately classified points for k = " + k + " is: " + String.format("%.2f", averageRate) + "%");
	    		}
	    		
	    	}
	    	catch (Exception e) {
    			e.printStackTrace();
    		}
	    }
	}