融合邻域信息的k-近邻分类

被引：3

作者：

林耀进 ^{[1
]}

李进金 ^{[1
,2
]}

陈锦坤 ^{[2
]}

马周明 ^{[2
]}

机构：

[1] 闽南师范大学计算机科学与工程系

[2] 闽南师范大学数学与统计学院

来源：

智能系统学报 | 2014年 / 9卷 / 02期

关键词：

k-近邻; 邻域信息; 分类学习; 距离测量; 噪音干扰;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

距离度量是影响k-近邻(KNN)法分类精度的重要因素之一。提出一种融合邻域信息的k-近邻算法。首先,定义了样本邻域的概念,并根据邻域的影响提出2条相应准则;然后,在计算测试样本与训练样本的距离时,综合考虑了样本邻域所带来的影响。该算法不仅可以更加精确地刻画样本之间的距离,而且一定程度上增强了KNN的稳定性。该方法在UCI标准数据集上进行了测试,结果表明,性能优于或与其他相关的分类器相当,并且在噪声扰动下具有较强的鲁棒性。

引用

页码：240 / 243

页数：4

共 7 条

[1] 基于用户群体影响的协同过滤推荐算法 [J].

林耀进 ;

胡学钢 ;

李慧宗 .

情报学报, 2013, (03) :299-305

[2] 一种模糊-证据kNN分类方法 [J].

吕锋 ;

杜妮 ;

文成林 .

电子学报, 2012, 40 (12) :2390-2395

[3] Local discriminative distance metrics ensemble learning [J].

Mu, Yang ;

Ding, Wei ;

Tao, Dacheng .

PATTERN RECOGNITION, 2013, 46 (08) :2337-2349

[4]

Large-margin nearest neighbor classifiers via sample weight learning[J] . Qinghua Hu,Pengfei Zhu,Yongbin Yang,Daren Yu. Neurocomputing . 2010 (4)

[5]

Top 10 algorithms in data mining[J] . Xindong Wu,Vipin Kumar,J. Ross Quinlan,Joydeep Ghosh,Qiang Yang,Hiroshi Motoda,Geoffrey J. McLachlan,Angus Ng,Bing Liu,Philip S. Yu,Zhi-Hua Zhou,Michael Steinbach,David J. Hand,Dan Steinberg. Knowledge and Information Systems . 2009 (1)

[6]

Neighborhood classifiers[J] . Qinghua Hu,Daren Yu,Zongxia Xie. Expert Systems With Applications . 2006 (2)

[7]

Improving nearest neighbor rule with a simple adaptive distance measure[J] . Jigang Wang,Predrag Neskovic,Leon N. Cooper. Pattern Recognition Letters . 2006 (2)

← 1 →