بهبود عملکرد طبقه بندی KNN با استفاده از روش وزندهی ویژگی ها مبتنی بر فواصل محلی

روش KNN یک روش ساده و پرکاربرد در تشخیص الگو است که جهت طبقه بندی داده ها بر اساس نمونه های نزدیک به هم در فضایویژگی به کار می رود. عملکرد طبقه بندی KNN ، شدیدا به نحوه محاسبه فاصله بین نمونه ها وابسته است. در همین راستا روشهایمختلفی جهت اندازه گیری فاصله ارائه شده است که می توان از موفق ترین آنها به روش های مبتنی بر یادگیری معیار فاصله با استفادهاز بهینه سازی اشااره کرد. در این مقاله یک الگوریتم سریج جهت وزندهی ویژگی ها ارائه می شود که هدف آن کاهش فاصله درونکلاسی و افزایش فاصاله بین کلاسی محلی است و بر خلاف روش های مبتنی بر بهینه سازی، محاسبات بسیار کمتری دارد. نتایجپیاده سازی و مقایسه روش پیشنهادی با روش های موفق گذشته بیانگر بهبود چشمگیر عملکرد طبقه بندی است.

کلیدواژه ها:

طبقه بندی K نزدیکترین همسایگی ، وزندهی ویژگی ها ، یادگیری معیار فاصله ، برنامه ریزی خطی