基于聚类和密度裁剪的改进KNN算法

• 作者: 张三顺 张公敬 王艳飞 范支菊 郝卫杰
• 来源期刊: 青岛大学学报（自然科学版）
• 学科: 工学
• 关键词: 聚类 密度 样本裁剪 KNN算法
• 年，卷（期）: 2017,（2）
• 所属期刊栏目: 信息工程
• 页码范围: 62-68
• 页数: 7页
• 分类号: TP301.6
• 字数: 5747字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1037.2017.05.14

摘要

经典KNN算法在处理高维数据或样本数繁多的样本集时需要巨大的计算量,这使其在实际应用的过程中存在着一定的局限性;提出一种基于聚类和密度裁剪的改进KNN算法.在训练阶段,首先根据样本密度对整个训练集进行裁剪,然后将裁剪好的训练集进行聚类处理,得到若干个密度比较均匀的类簇并将其转化为超球.在测试阶段,采用两种方法,第一种是找出距离待测样本最近的k个超球,然后将这个k个超球内的训练样本作为新的训练样本集,在这个新的训练样本集上使用经典KNN算法得到待测样本的类别;第二种则是找出距离待测样本最近的1个超球,然后根据该超球的类别得出待测样本的类别.实验采用8个UCI样本集进行测试,实验结果表明,该算法同经典KNN相比具有良好的性能,是一种有效的分类方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张公敬	青岛大学计算机科学技术学院	15	44	4.0	5.0
2	王艳飞	青岛大学数据科学与软件工程学院	3	8	2.0	2.0
3	郝卫杰	青岛大学计算机科学技术学院	3	8	2.0	2.0
4	范支菊	青岛大学计算机科学技术学院	3	6	1.0	2.0
5	张三顺	青岛大学计算机科学技术学院	4	5	1.0	2.0