基于多代表点学习的RSKNN分类算法

• 作者: 余勇 郭躬德 陈黎飞
• 来源期刊: 计算机系统应用
• 关键词: 近邻分类 变精度粗糙集 代表点 分类模型 上 下近似
• 年，卷（期）: 2014,（11）
• 所属期刊栏目: 软件技术?算法
• 页码范围: 92-98
• 页数: 7页
• 字数: 6173字
• 语种: 中文

摘要

RSKNN 算法是一种基于变精度粗糙集理论的 k-近邻改进算法，该算法能够保证在一定分类精度的前提下，有效地降低分类的计算量，提高分类效率。但由于 RSKNN 算法只是简单地将每个类中的样本划分成一个核心和边界区域，并没有根据数据集本身的特点进行划分，因而存在极大的局限性。针对存在的问题，提出一种多代表点学习算法，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，并使用无监督的局部聚类算法学习优化代表点集合。在UCI公共数据集上的实验表明，该算法比RSKNN算法具有更高的分类精度。

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
3	余勇	福建师范大学数学与计算机科学学院	2	7	1.0	2.0