改进型加权KNN算法的不平衡数据集分类

被引：27

作者：

王超学 ^{[1
]}

潘正茂 ^{[1
]}

马春森 ^{[2
]}

董丽丽 ^{[1
]}

张涛 ^{[1
]}

机构：

[1] 西安建筑科技大学信息与控制工程学院

[2] 中国农业科学院植物保护研究所

来源：

计算机工程 | 2012年 / 38卷 / 20期

关键词：

不平衡数据集; 分类; K最邻近算法; 权重分配模型; 遗传算法; K-means算法;

D O I：

暂无

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：

K最邻近(KNN)算法对不平衡数据集进行分类时分类判决总会倾向于多数类。为此,提出一种加权KNN算法GAK-KNN。定义新的权重分配模型,综合考虑类间分布不平衡及类内分布不均匀的不良影响,采用基于遗传算法的K-means算法对训练样本集进行聚类,按照权重分配模型计算各训练样本的权重,通过改进的KNN算法对测试样本进行分类。基于UCI数据集的大量实验结果表明,GAK-KNN算法的识别率和整体性能都优于传统KNN算法及其他改进算法。

引用

页码：160 / 163+168 +168

页数：5

共 6 条

[1] 不平衡入侵检测数据的代价敏感分类策略 [J].