融合邻域信息的k-近邻分类

• 作者: 李进金 林耀进 陈锦坤 马周明
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: k-近邻 邻域信息 分类学习 距离测量 噪音干扰
• 年，卷（期）: 2014,（2）
• 页码范围: 240-243
• 页数: 4页
• 分类号: TP181
• 字数: 2921字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-4785.201307015

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李进金	闽南师范大学计算机科学与工程系	30	103	6.0	9.0
5	陈锦坤	闽南师范大学数学与统计学院	5	44	2.0	5.0
6	林耀进	闽南师范大学计算机科学与工程系	42	204	7.0	11.0
7	马周明	闽南师范大学数学与统计学院	6	5	2.0	2.0