在Java中，處理K-means算法中的不平衡數據可以通過以下幾種方法：

1. 重采樣（Resampling）：

   • 過采樣（Oversampling）：對較小的類別進行過采樣，增加其樣本數量。這可以通過復制現有樣本或使用SMOTE（Synthetic Minority Over-sampling Technique）算法來實現。
   • 欠采樣（Undersampling）：對較大的類別進行欠采樣，減少其樣本數量。這可以通過隨機刪除一些樣本或使用聚類中心附近的樣本來實現。

2. 為K-means算法添加權重：

   • 在計算距離時，為每個樣本分配一個權重，使得較小的類別具有更大的影響力。例如，可以使用類別頻率作為權重。

3. 使用其他聚類算法：

   • 如果K-means算法無法很好地處理不平衡數據，可以嘗試使用其他聚類算法，如DBSCAN、譜聚類或基于密度的聚類算法。

以下是一個簡單的Java示例，展示了如何使用SMOTE算法進行過采樣：

public class SMOTE {
    public static void main(String[] args) {
        // 加載數據集
        // 假設data是一個包含樣本特征和標簽的二維數組
        double[][] data = ...;

        // 設置過采樣參數
        int k = 5; // 最近鄰居的數量
        double ratio = 1.0; // 用于控制過采樣的倍數

        // 應用SMOTE算法
        double[][] oversampledData = oversample(data, k, ratio);
    }

    public static double[][] oversample(double[][] data, int k, double ratio) {
        int n = data.length;
        int[] labels = new int[n];
        for (int i = 0; i < n; i++) {
            labels[i] = (int) data[i][data.length - 1];
        }

        int[][] newSamples = new int[n * (int) (ratio + 1)][data[0].length];
        int index = 0;

        for (int i = 0; i < n; i++) {
            if (labels[i] == 0) {
                continue;
            }

            List<Integer> neighbors = getNeighbors(data, i, k);
            for (int j : neighbors) {
                newSamples[index++] = data[j];
            }

            for (int j = 1; j < (int) (ratio + 1); j++) {
                int randomIndex = new Random().nextInt(n);
                while (labels[randomIndex] == 0) {
                    randomIndex = new Random().nextInt(n);
                }
                newSamples[index++] = data[randomIndex];
            }
        }

        return Arrays.copyOf(newSamples, index);
    }

    private static List<Integer> getNeighbors(double[][] data, int index, int k) {
        int[] vector = data[index];
        List<Integer> neighbors = new ArrayList<>();

        for (int i = 0; i < data.length; i++) {
            if (i == index) {
                continue;
            }

            double distance = euclideanDistance(vector, data[i]);
            if (distance <= k) {
                neighbors.add(i);
            }
        }

        return neighbors;
    }

    private static double euclideanDistance(double[] a, double[] b) {
        double sum = 0;
        for (int i = 0; i < a.length; i++) {
            sum += Math.pow(a[i] - b[i], 2);
        }
        return Math.sqrt(sum);
    }
}

請注意，這個示例僅用于演示目的，實際應用中可能需要根據具體情況進行調整。