最近邻分类的多代表点学习算法

被引：18

作者：

陈黎飞

郭躬德

机构：

[1] 福建师范大学数学与计算机科学学院

来源：

模式识别与人工智能 | 2011年 / 24卷 / 06期

关键词：

近邻分类; 分类模型; 代表点; 结构风险;

D O I：

10.16451/j.cnki.issn1003-6059.2011.06.023

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

经典的k-最近邻算法存在参数k难以确定和分类效率低的缺点.基于模型的kNN算法使用代表点集合构造训练样本的分类模型,克服上述缺点,但需要较高的计算时间代价.文中提出一种高效的多代表点学习算法,用于最近邻分类.运用结构风险最小化理论对影响分类模型期望风险的因素进行分析.在此基础上,使用无监督的局部聚类算法学习优化的代表点集合.在实际应用数据集上的实验结果表明,该算法可对复杂类别结构数据进行有效分类,并大幅度提高分类效率.

引用

页码：882 / 888

页数：7

共 6 条

[1] 布尔序列的一种KNN改进算法 [J].