多代表点的子空间分类算法

多代表点近邻分类克服了传统近邻分类算法的缺点,使用以代表点为中心的模型簇构造分类模型并自动确定近邻数目。此类算法在不同类别的样本存在大量重叠时将导致模型簇数量增大,造成预测精度下降。提出了一种多代表点的子空间分类算法,将不同类别的训练样本投影到多个不同的子空间,使用子空间模型簇构造分类模型,有效分隔了不同类别样本在全空间中重叠的区域,以提高分类性能。与传统的kNN(k nearest neighbor)、kNNModel、SVM(support vector machine)等分类算法的实验对比结果表明,新方法可以对复杂类别结构数据进行有效分类,且较好地提高了分类精度。