基于Hubness与类加权的k最近邻分类算法

• 作者: 李金孟 林亚平 祝团飞
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: Hubness现象 高维不平衡数据 维数灾难 数据分类 k发生 k最近邻分类
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 248-252,261
• 页数: 6页
• 分类号: TP181
• 字数: 4805字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2018.04.040

摘要

针对高维不平衡数据中维数灾难和类不平衡分布问题,提出一种改进k最近邻(kNN)分类算法HWNN.将样本的k发生分布作为其在预测时对各个类的支持度,以此减少高维数据中hubs对kNN分类带来的潜在负面影响.通过类加权的方式增加少数类在所有样本k发生中的分布比例,以提升对少数类样本的预测精度.在16个不平衡UCI数据集上的实验结果表明,该算法在高维不平衡数据中的分类结果优于典型kNN方法,且在普通维度的不平衡数据中优势同样明显.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	林亚平	湖南大学信息科学与工程学院	231	2974	26.0	42.0
2	李金孟	湖南大学信息科学与工程学院	1	4	1.0	1.0
3	祝团飞	湖南大学信息科学与工程学院	2	4	1.0	2.0