Flink ML KNN 入门基于 Table API 的近邻分类

1. 输入列与输出列

输入列（Input Columns）

参数名	类型	默认值	含义
`featuresCol`	Vector	`"features"`	特征向量列
`labelCol`	Integer	`"label"`	标签列（训练/评估用，也可用于对比）

输出列（Output Columns）

参数名	类型	默认值	含义
`predictionCol`	Integer	`"prediction"`	预测标签列

说明：Flink ML 的 Vector 通常是 DenseVector 或 SparseVector（特征列必须是向量类型）。

2. 参数（Parameters）

KnnModel 需要的参数

Key	默认值	类型	必填	含义
`k`	5	Integer	否	选择最近邻的数量
`featuresCol`	`"features"`	String	否	特征列名
`predictionCol`	`"prediction"`	String	否	输出预测列名

Knn 额外需要的参数

Key	默认值	类型	必填	含义
`labelCol`	`"label"`	String	否	标签列名

3. Java 示例代码（原理 + 流程）

下面是你贴的示例逻辑做一个"工程化解读"：

构造训练集 trainTable(features, label)
构造待预测集 predictTable(features, label)（这里 label 是"期望值/对照值"，不是必须列，但方便打印对比）
knn.fit(trainTable) 生成 knnModel
knnModel.transform(predictTable) 输出结果表，新增 prediction 列
collect 输出并打印 features、expected、prediction

需要注意的一个坑：label 类型

文档说 labelCol 是 Integer ，但你贴的代码训练数据里是 1.0/2.0/3.0 这种 Double。示例里又用：

java 复制代码

double expectedResult = (Double) row.getField(knn.getLabelCol());
double predictionResult = (Double) row.getField(knn.getPredictionCol());

这会让人误以为 prediction 也是 Double。为了更"规范且不踩坑"，建议你在自己项目里统一 label 为 Integer（或至少保持 train/predict/输出一致）。

下面我给一个"更规范版本"的示例（仅改了 label 为 Integer，并显式设置列名，逻辑不变）。

更规范的示例（建议用这个）

java 复制代码

import org.apache.flink.ml.classification.knn.Knn;
import org.apache.flink.ml.classification.knn.KnnModel;
import org.apache.flink.ml.linalg.DenseVector;
import org.apache.flink.ml.linalg.Vectors;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.table.api.Table;
import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
import org.apache.flink.types.Row;
import org.apache.flink.util.CloseableIterator;

public class KnnExample {
    public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        StreamTableEnvironment tEnv = StreamTableEnvironment.create(env);

        // 训练数据：features(Vector) + label(Integer)
        DataStream<Row> trainStream =
                env.fromElements(
                        Row.of(Vectors.dense(2.0, 3.0), 1),
                        Row.of(Vectors.dense(2.1, 3.1), 1),
                        Row.of(Vectors.dense(200.1, 300.1), 2),
                        Row.of(Vectors.dense(200.2, 300.2), 2),
                        Row.of(Vectors.dense(200.3, 300.3), 2),
                        Row.of(Vectors.dense(2.8, 3.2), 3),
                        Row.of(Vectors.dense(300.0, 3.2), 4),
                        Row.of(Vectors.dense(2.4, 3.2), 5),
                        Row.of(Vectors.dense(2.5, 3.2), 5)
                );
        Table trainTable = tEnv.fromDataStream(trainStream).as("features", "label");

        // 待预测数据：这里保留 label 作为期望值/对照值（可选）
        DataStream<Row> predictStream =
                env.fromElements(
                        Row.of(Vectors.dense(4.0, 4.1), 5),
                        Row.of(Vectors.dense(300.0, 42.0), 2)
                );
        Table predictTable = tEnv.fromDataStream(predictStream).as("features", "label");

        // 创建 Knn，并设置关键参数
        Knn knn = new Knn()
                .setK(4)
                .setFeaturesCol("features")
                .setLabelCol("label")
                .setPredictionCol("prediction");

        // 训练模型
        KnnModel knnModel = knn.fit(trainTable);

        // 预测
        Table outputTable = knnModel.transform(predictTable)[0];

        // 打印结果：features + expected(label) + prediction
        for (CloseableIterator<Row> it = outputTable.execute().collect(); it.hasNext(); ) {
            Row row = it.next();
            DenseVector features = (DenseVector) row.getField(knn.getFeaturesCol());
            Integer expected = (Integer) row.getField(knn.getLabelCol());
            Integer prediction = (Integer) row.getField(knn.getPredictionCol());

            System.out.printf(
                    "Features: %-15s \tExpected: %s \tPrediction: %s\n",
                    features, expected, prediction);
        }
    }
}

4. 输出结果怎么看？

输出表一般会包含：

原始输入列：features、（可选）label
新增输出列：prediction

你打印时就能看到：

Features：待预测样本的向量
Expected：样本原本的标签（如果你在 predictTable 里带了 label）
Prediction：KNN 预测出来的标签

5. 实战建议（很关键）

1）特征缩放非常重要

KNN 完全依赖"距离"。如果你的特征尺度差异很大（比如一个特征是 0~1，另一个是 0~10000），距离会被大尺度特征主导，结果很容易失真。常见做法是：

先用 StandardScaler 标准化
或做 MinMax 归一化

2）k 的选择是个"偏差-方差"平衡

k 小：更敏感，容易受噪声影响（方差大）
k 大：更平滑，但可能把边界抹平（偏差大）

工程上建议从 3/5/7/9 这类奇数开始试（减少投票平局的概率）。

3）训练数据量大时的性能与资源

KNN 的预测开销通常和训练集规模相关（需要找近邻）。训练集很大时：

可能需要索引/近似近邻（ANN）思路（具体要看 Flink ML 当前实现能力）
或对数据做分桶、预聚类、抽样
或考虑换更适合大规模在线推理的模型（线性模型、树模型等）