الگوريتم طبقه بندي نزديکترين همسايه وفقي با انتخاب محلي پارامتر K

روش پيشنهادي با شيوه هاي KNN وفقي ارائه شده در تحقيقات گذشته، بر روي تعدادي مجموعه داده استاندارد، مقايسه شده است. نتايج نشان مي دهد که الگوريتم ارائه شده نه تنها اندازه مجموعه داده را کاهش مي دهد بلکه در بسياري از موارد، بهتر از ساير الگوريتم ها عمل مي کند. علاوه بر اين در حضور نويز، تقريبا در همه مجموعه هاي داده، دقت بيشتري را در بردارد.

در اين مقاله يک تکنيک k نزديکترين همسايه وفقي ارائه شده که در فاز اول، با توجه به همسايگي هر نمونه آموزشي (الگو)، يک مقدار مناسب k به هر يک انتساب داده مي شود. سپس در فاز دوم، با استفاده از مفهوم وزن دهي به الگوها، فاصله اي وفقي بين يک نمونه تست و يک الگو تعريف مي شود. سپس وزن الگوها به گونه اي تنظيم مي شود که منجر به افزايش نرخ طبقه بندي leave one out بر روي مجموعه داده آموزشي شود. در فاز طبقه بندي، نزديکترين الگوي هر نمونه تعيين و از مقدار k آن، براي طبقه بندي استفاده مي شود.

دانلود مقاله – ۱٫۲۰M

ارائه شده در	انجمن کامپیوتر ایران
نویسندگان	زهرا رضایی راوری محمد طاهری منصور ذوالقدری جهرمی