1type Sample = { temp: number; humidity: number; rain: 0 | 1; weekend: 0 | 1; sold: number };
2type Query = Omit<Sample, 'sold'>;
3type Weights = Readonly<{ temp: number; humidity: number; rain: number; weekend: number }>;
4const DEFAULT_WEIGHTS = { temp: 1, humidity: 1, rain: 1, weekend: 2 } as const satisfies Weights;
5
6function computeNorms(data: Sample[]) {
7    const tMin = Math.min(...data.map(d => d.temp));
8    const tMax = Math.max(...data.map(d => d.temp));
9    const hMin = Math.min(...data.map(d => d.humidity));
10   const hMax = Math.max(...data.map(d => d.humidity));
11   return {tMin, tMax, hMin, hMax};
12}
13
14/** 
15 * Min–max нормализация: переводит x из [min,max] в [0–1], 
16 * чтобы признаки были сопоставимы в метриках расстояния; 
17 * при min===max возвращает 0. 
18 */
19function norm01(x: number, min: number, max: number, clip = false) {
20    if (max === min) return 0;
21    const z = (x - min) / (max - min);
22    return clip ? Math.max(0, Math.min(1, z)) : z;
23}
24
25/**
26 * Взвешенное евклидово расстояние между двумя днями по 4 признакам.
27 * Формула: d = √(Σ wᵢ·Δᵢ²), где wᵢ – вес, Δᵢ – разность по признаку.
28 * 
29 * Веса позволяют управлять важностью признаков:
30 * - вес > 1 делает признак более значимым (вклад в расстояние больше)
31 * - вес = 1 – стандартное влияние
32 * - вес < 1 делает признак менее значимым
33 * 
34 * Например, weekend=2 означает, что различие по выходному дню
35 * вносит вклад в 2 раза больше, чем по температуре (при w_temp=1).
36 */
37function euclid4WeightedLinear(
38    a: Query,
39    b: Query,
40    norms: ReturnType<typeof computeNorms>,
41    w: Weights = DEFAULT_WEIGHTS
42): number {
43    const { tMin, tMax, hMin, hMax } = norms;
44
45    const aTemp = norm01(a.temp, tMin, tMax);
46    const bTemp = norm01(b.temp, tMin, tMax);
47    const aHum  = norm01(a.humidity, hMin, hMax);
48    const bHum  = norm01(b.humidity, hMin, hMax);
49
50    const dTemp = aTemp - bTemp;
51    const dHum  = aHum  - bHum;
52    const dRain = (+a.rain) - (+b.rain);
53    const dWend = (+a.weekend) - (+b.weekend);
54
55    const sum =
56        w.temp     * (dTemp * dTemp) +
57        w.humidity * (dHum  * dHum)  +
58        w.rain     * (dRain * dRain) +
59        w.weekend  * (dWend * dWend);
60
61    return Math.sqrt(sum);
62}
63
64// k-NN регрессия: прогноз числа буханок по погоде (temp, humidity, rain, weekend).
65function knnPredictDemand(
66    data: Sample[],
67    q: Query,
68    k: number,
69    w: Weights = DEFAULT_WEIGHTS
70): number {
71    if (k <= 0) throw new Error('k must be >= 1');
72    if (data.length === 0) throw new Error('data cannot be empty');
73    const norms = computeNorms(data);
74    const withDist = data
75        .map(s => ({...s, dist: euclid4WeightedLinear(q, s, norms, w)}))
76        .sort((a, b) => a.dist - b.dist)
77        .slice(0, Math.min(Math.max(1, Math.trunc(k)), data.length));
78    let num = 0, den = 0;
79    for (const n of withDist) {
80        const sim = 1 / (1 + n.dist);
81        num += sim * n.sold;
82        den += sim;
83    }
84    return den ? Math.round(num / den) : NaN;
85}
86
87// Примеры
88knnPredictDemand(data, { temp: 13, humidity: 78, rain: 1, weekend: 1 }, 3); // -> 157
89knnPredictDemand(data, { temp: 21, humidity: 58, rain: 0, weekend: 0 }, 3); // -> 98
90knnPredictDemand(data, { temp: 29, humidity: 45, rain: 0, weekend: 1 }, 3); // -> 123
91knnPredictDemand(data, { temp: 31, humidity: 38, rain: 1, weekend: 0 }, 5); // -> 106
92knnPredictDemand(data, { temp: 20, humidity: 60, rain: 1, weekend: 0 }, 4, {"temp":1,"humidity":1,"rain":3,"weekend":2}); // -> 134