最近邻分类的多代表点学习算法

• 作者: 郭躬德 陈黎飞
• 来源期刊: 模式识别与人工智能
• 学科: 工学
• 关键词: 近邻分类 分类模型 代表点 结构风险
• 年，卷（期）: 2011,（6）
• 所属期刊栏目: 研究与应用
• 页码范围: 882-888
• 分类号: TP391
• 字数: 5619字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-6059.2011.06.023

摘要

经典的k-最近邻算法存在参数k难以确定和分类效率低的缺点.基于模型的kNN算法使用代表点集合构造训练样本的分类模型,克服上述缺点,但需要较高的计算时间代价.文中提出一种高效的多代表点学习算法,用于最近邻分类.运用结构风险最小化理论对影响分类模型期望风险的因素进行分析.在此基础上,使用无监督的局部聚类算法学习优化的代表点集合.在实际应用数据集上的实验结果表明,该算法可对复杂类别结构数据进行有效分类,并大幅度提高分类效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈黎飞	福建师范大学数学与计算机科学学院	42	344	9.0	17.0
2	郭躬德	福建师范大学数学与计算机科学学院	74	600	12.0	22.0