基于属性值信息熵的KNN改进算法

• 作者: 周忠眉 童先群
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 分类 KNN算法 属性值 信息熵
• 年，卷（期）: 2010,（3）
• 所属期刊栏目: 数据库、信号与信息处理
• 页码范围: 115-117
• 页数: 3页
• 分类号: TP391
• 字数: 3836字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2010.03.034

摘要

为了克服传统KNN算法,距离加权-KNN算法在距离定义及投票方式上的不足,提出了一种基于属性值对类别重要性的改进算法Entropy-KNN.首先定义两个样本间的距离为相同属性值的平均信息熵,此距离可通过重要属性值有效度量样本之间的相似程度,其次算法Entropy-KNN根据上述定义的距离选取与待测试样本距离最小的K个近邻,最后根据各类近邻样本点的平均距离及个数判断待测试样本的类别.在蘑菇数据集上的实验表明,Entropy-KNN算法的分类准确率高于传统KNN算法和距离加权KNN算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周忠眉	漳州师范学院计算机科学与工程系	33	136	7.0	11.0
2	童先群	漳州师范学院计算机科学与工程系	3	50	2.0	3.0